Post on 25-Dec-2019
Modelo de interfaz adaptativa para
recomendación de objetos de
aprendizaje basado en perfiles de
usuario, agentes inteligentes y
ontologías
THOMAS QUIROZ VASQUEZ
Universidad Nacional de Colombia
Facultad de Minas
Departamento de Ciencias de la Computación y de la Decisión
Medellín, Colombia
2017
Modelo de interfaz adaptativa para
recomendación de objetos de
aprendizaje basado en perfiles de
usuario, agentes inteligentes y
ontologías
THOMAS QUIROZ VASQUEZ
Tesis de investigación presentada como requisito parcial para optar al título de:
Magister en Ingeniería de Sistemas
Director (a):
PhD. Demetrio Arturo Ovalle Carranza
Línea de Investigación:
Inteligencia Artificial
Grupo de Investigación:
Grupo de Investigación y Desarrollo en Inteligencia Artificial – GIDIA
Universidad Nacional de Colombia
Facultad de Minas
Departamento de Ciencias de la Computación y de la Decisión
Medellín, Colombia
2017
IV Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
Dedicatoria
Para mi familia que siempre me ha dado el
apoyo que he necesitado para cumplir todos
mis proyectos y metas.
VI Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
Agradecimientos
Le agradezco inmensamente a mis padres por todo su apoyo y comprensión en todos los
retos que he tenido a lo largo de mi vida y como con su amor he podido llegar hasta este
punto en mi vida.
A mi madre que siempre ha estado pendiente de mí, me ha aconsejado en cada paso que
he dado en mi vida, también a mi padre quien siempre ha sabido darme consejo cuando
lo he necesitado.
Al profesor Demetrio Arturo Ovalle para quien solo tengo palabras de gratitud por
acompañarme y apoyarme en este proceso de investigación.
Contenido IX
Resumen
La evolución de las interfaces gráficas ha permitido aumentar la interacción entre los
usuarios y los sistemas computacionales. El objetivo de esta tesis de maestría es crear un
modelo de interfaz adaptativa que se adapte a las características de los usuarios y sea
capaz de recomendar objetos de aprendizaje (OAs). El modelo de interfaz adaptativa
propuesto contiene un SMA diseñado bajo la metodología Prometheus para la
recomendación de los OAs, el cual al ser integrado con una ontología diseñada mediante
la metodología Methontology es capaz de realizar recomendaciones sobre la distribución
de los páneles que componen la interfaz gráfica de usuario (GUI), consiguiendo de esta
forma la funcionalidad adaptativa del sistema. Se implementó un prototipo basado en el
modelo propuesto el cual es evaluado mediante las métricas: (1) Rendimiento del sistema,
(2) Satisfacción del usuario con respecto a las recomendaciones suministradas para la
GUI, (3) Satisfacción del usuario con respecto a las recomendaciones suministradas por
el SR, (4) Completitud de la funcionalidad del prototipo en los navegadores, (5) Usabilidad
y (6) Grado de resistencia a la sobrecarga, a todas ellas se les aplicó uno o varios casos
de estudio. Se puede concluir que se obtuvo un impacto positivo sobre los usuarios al
utilizar la interfaz adaptativa debido a que ellos aceptaron la mayoría de las
recomendaciones con respecto a GUI, las recomendaciones de OAs tienen un alto
porcentaje de aceptación, el funcionamiento del prototipo fue adecuado en la mayoría de
los navegadores y el sistema es capaz de soportar grandes cantidades de peticiones.
Palabras clave: adaptatividad, interfaz gráfica de usuario, GUI, e-learning, sistemas de
recomendación de objetos de aprendizaje, sistemas multi-agente, ontologías.
X Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
Abstract
The evolution of graphic interfaces has allowed to increase the interaction between users
and computational systems. The objective of this master's thesis is to create an adaptive
interface model that adapts to the characteristics of the users and can recommend learning
objects (LOs). The proposed adaptive interface model contains a SMA designed under the
Prometheus methodology for the recommendation of LOs, which, when integrated with an
ontology designed using the methodology Methontology, can make recommendations on
the distribution of the panels that make up the graphical user interface (GUI), thus achieving
the adaptive functionality of the system.
A prototype was implemented based on the proposed model which is evaluated by the
metrics: (1) system performance, (2) user satisfaction with respect to the recommendations
provided for the GUI, (3) user satisfaction with respect to recommendations provided by
SR, (4) completeness of prototype functionality in browsers, (5) usability and (6) degree of
resistance to overload, to all of them were applied one or several case studies. It can be
concluded that a positive impact was obtained on the users when using the adaptive
interface, because they accepted most of the recommendations regarding GUI, the
recommendations of LOs have a high percentage of acceptance, the operation of the
prototype was adequate in most browsers and the system is able to support large amounts
of requests.
Keywords: Adaptivity, graphical user interface, GUI, e-learning, recommender system,
multi-agent system, ontology.
Contenido XI
Tabla de contenido
Lista de figuras ............................................................................................................ XIII
Lista de tablas ............................................................................................................. XVI
1. Presentación de la tesis ......................................................................................... 17 1.1 Introducción ...................................................................................................... 17 1.2 Problemática .................................................................................................... 19 1.3 Pregunta emergente de investigación .............................................................. 20 1.4 Objetivo de la tesis ........................................................................................... 20
1.4.1 Objetivo general............................................................................................. 21 1.4.2 Objetivos específicos ..................................................................................... 21
1.5 Alcance de la tesis ........................................................................................... 21 1.6 Metodología utilizada ....................................................................................... 22 1.7 Cumplimiento de los objetivos .......................................................................... 24 1.8 Principales contribuciones logradas ................................................................. 26 1.9 Logros adicionales ........................................................................................... 26 1.10 Difusión de resultados ...................................................................................... 27
1.10.1 Artículos en revistas ...................................................................................... 27 1.10.2 Ponencias en eventos nacionales e internacionales ...................................... 27
1.11 Organización del documento ............................................................................ 28
2. Marco Teórico ......................................................................................................... 29 2.1 Interfaces adaptativas ...................................................................................... 29 2.2 Diseño de interfaces gráficas de usuario (GUI) ................................................ 30
2.2.1 Diseño de GUI basado en modelos ............................................................... 30 2.2.2 Diseño de GUI adaptativas basadas en agentes ........................................... 31
2.3 Sistemas de Recomendación (SR) ................................................................... 32 2.4 Perfiles de Usuario ........................................................................................... 33
2.4.1 Modelo del estudiante .................................................................................... 34 2.5 Objetos de Aprendizaje (OAs) y Repositorios de OAs ...................................... 37
2.5.1 Estándares de Metadatos .............................................................................. 39 2.5.2 Estándar IEEE-LOM vs Estilos de aprendizaje .............................................. 42
2.6 Sistemas Multi-Agente ..................................................................................... 44 2.6.1 Metodologías para el desarrollo de SMA ....................................................... 45 2.6.2 Herramientas para la implementación de SMA .............................................. 50
2.7 Ontologías y Web Semántica ........................................................................... 53 2.8 Conclusiones del capítulo ................................................................................. 53
3. Estado del arte........................................................................................................ 55 3.1 Síntesis de Trabajos Relacionados .................................................................. 71 3.2 Conclusiones del capítulo ................................................................................. 73
4. Modelo propuesto .................................................................................................. 75 4.1 Interfaz gráfica de usuario ................................................................................ 75 4.2 Perfil del usuario .............................................................................................. 76 4.3 Sistema de recomendación (SR) ...................................................................... 78
4.3.1 Perfiles de usuario ......................................................................................... 79
XII Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
4.3.2 Perfil de usuario activo .................................................................................. 79 4.3.3 Recomendación por filtrado colaborativo ....................................................... 80 4.3.4 Recomendación por filtrado basado en conocimiento.................................... 80 4.3.5 Recomendación por filtrado basado en contenido ......................................... 80 4.3.6 Entrega resultados SR .................................................................................. 81
4.4 Arquitectura del SMA ........................................................................................ 82 4.4.1 Especificación del sistema ............................................................................ 82 4.4.2 Diseño de la arquitectura ............................................................................... 84 4.4.3 Diseño detallado ............................................................................................ 89
4.5 Representación ontológica de los elementos caracterizados ............................ 94 4.5.1 Fase de especificación .................................................................................. 94 4.5.2 Fase de conceptualización ............................................................................ 95 4.5.3 Fase de formalización e implementación ..................................................... 101
4.6 Conclusiones del capítulo ............................................................................... 102
5. Implementación y validación del modelo ........................................................... 103 5.1 Desarrollo del aplicativo web .......................................................................... 104 5.2 Desarrollo de la plataforma Multi-Agente ........................................................ 107 5.3 Integración de la Ontología a la aplicación ...................................................... 109 5.4 Validación del prototipo ................................................................................... 110
5.4.1 Validación de la función adaptativa de la interfaz ........................................ 111 5.4.2 Validación de las recomendaciones de OAs ................................................ 118 5.4.3 Funcionalidad en los diferentes navegadores .............................................. 119 5.4.4 Desempeño general del prototipo ................................................................ 121
5.5 Conclusiones del capítulo ............................................................................... 124
6. Conclusiones y Trabajo Futuro .......................................................................... 127 6.1 Conclusiones y Aportes de la tesis ................................................................. 127 6.2 Trabajo futuro ................................................................................................. 129
Referencias Bibliográficas ......................................................................................... 131
Contenido XIII
Lista de figuras
Figura 1-1 Problemas que abarca la tesis de investigación ...................................... 20
Figura 2-1 Esquema del funcionamiento de un agente de interfaz. Tomada de
(López, 2005)................................................................................................................. 32
Figura 2-2 Mapa conceptual del Modelo del estudiante. Tomada de (Duque, 2009) 35
Figura 2-3 Características de los OAs. Tomada de (Salazar, 2015) .......................... 37
Figura 2-4 Modelo jerárquico del estándar IEEE-LOM. Tomada de (Learning
Technology Standards Committee, 2002) ................................................................... 40
Figura 2-5 Estándar OBAA. Tomada de (Salazar, 2015) ............................................ 42
Figura 2-6 Metodologías más utilizadas para el desarrollo de SMA y sus principales
influencias. Tomada de (Giorgini & Henderson-Sellers, 2005).................................. 46
Figura 2-7 Modelos de Mas-CommonKADS. Tomada de (Giorgini & Henderson-
Sellers, 2005) ................................................................................................................ 47
Figura 2-8 Proceso general para el desarrollo de un SMA con la metodología GAIA.
Tomada de (Cossentino et al., 2014) ........................................................................... 48
Figura 2-9 Fases de la metodología Prometheus. Tomada de (Padgham & Winikoff,
2004). ............................................................................................................................. 49
Figura 2-10 Frameworks para el desarrollo de SMA. Tomada de (Salazar, 2015) .... 51
Figura 2-11 Estructura de un sistema JaCaMo. Tomada de (JACAMO, 2016). ........ 52
Figura 3-1 Interfaz adaptativa que define enlaces de tipo específico “Specific link” y
genérico “Generic link”. Tomada de (Ghédira et al., 2002). ...................................... 56
Figura 3-2 Adaptive interface (ADI). Tomada de (Letsu-Dake & Ntuen, 2009) .......... 57
Figura 3-3 Tasa de detección de errores, NADI vs ADI. Tomada de (Letsu-Dake &
Ntuen, 2009) .................................................................................................................. 58
Figura 3-4 Nivel de adaptación por parte del usuario y del sistema. Tomada de
(Park & Han, 2011) ........................................................................................................ 59
Figura 3-5 Tipos de menú adaptables: a) Menú adaptable, b) Menú adaptativo con
separación c) Menú adaptativo resaltando las opciones. Tomada de (Park et al.,
2007) .............................................................................................................................. 61
Figura 3-6 Caso de uso para escenario de un usuario enfermo que observa los
datos del sistema. Tomada de (Shakshuki et al., 2015a) ........................................... 64
Figura 3-7 GUI sistema PACS. Tomada de (Jorritsma et al., 2015a) ......................... 65
Figura 3-8 GUI mostrando información cardiaca (A) antes y (B) después de la
adaptación. Tomada de (Shakshuki et al., 2015b) ...................................................... 66
XI
V
Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
Figura 3-9 Interfaz usuario novato vs usuario experto. Tomada de (Ravi et al., 2015)
....................................................................................................................................... 67
Figura 3-10 Tiempo utilizado para crear un MOOC. Tomada de (Ravi et al., 2015) .. 68
Figura 3-11 Estación de trabajo de un piloto de RPA. Tomada de (Evans et al., 2013)
....................................................................................................................................... 70
Figura 4-1 GUI del modelo propuesto. Fuente: Autoría propia. ................................. 76
Figura 4-2 Modelo propuesto Perfil del usuario. Fuente: Autoría propia. ................. 77
Figura 4-3 Modelo de SR propuesto basado en (Rodríguez, 2013). .......................... 79
Figura 4-4 Entidades utilizadas en PDT. Fuente: Autoría propia. .............................. 82
Figura 4-5 Escenario del SMA en el cual el sistema puede adaptar la GUI. Fuente:
Autoría propia. .............................................................................................................. 83
Figura 4-6 Diagrama de objetivos para el escenario de adaptación de la GUI.
Fuente: Autoría propia. ................................................................................................. 84
Figura 4-7 Diagrama de acoplamiento de datos. Fuente: Autoría propia.................. 85
Figura 4-8 Diagrama de roles vs agentes. Fuente: Autoría propia. ........................... 85
Figura 4-9 Vista general del SMA. Fuente: Autoría propia. ........................................ 88
Figura 4-10 Diagrama del agente de GUI, exhibiendo dos capacidades. .................. 89
Figura 4-11 Diagrama de capacidades “Solicitud de búsqueda de OA” del agente de
GUI. ................................................................................................................................ 90
Figura 4-12 Diagrama de capacidades “Recomendar GUI“ del agente de GUI. ....... 90
Figura 4-13 Diagrama del agente de búsqueda, exhibiendo dos capacidades. ....... 91
Figura 4-14 Diagrama de capacidades “Búsqueda de OA” del agente de búsqueda.
....................................................................................................................................... 91
Figura 4-15 Diagrama de capacidades “Solicitar recomendaciones de OA” del
agente de búsqueda. .................................................................................................... 92
Figura 4-16 Diagrama de capacidades “Recomendación filtrado basado en
conocimiento” del agente SR filtrado basado en conocimiento. .............................. 92
Figura 4-17 Diagrama de capacidades “Recomendación filtrado basado en
contenido” del agente SR filtrado basado en contenido. .......................................... 93
Figura 4-18 Diagrama de capacidades “Recomendación filtrado colaborativo” del
agente SR filtrado colaborativo. .................................................................................. 93
Figura 4-19 Proceso de desarrollo Methontology. Tomada de (Salazar, 2015) ........ 94
Figura 4-20 Tareas de la fase de conceptualización de Methontology. Tomado de
(Corcho et al. 2005) ....................................................................................................... 96
Figura 4-21 Taxonomía de conceptos de la ontología. Fuente: Autoría propia. ....... 97
Figura 4-22 Diagrama de relaciones binarias. Fuente: Autoría propia. ..................... 97
Figura 4-23 Ontología generada a partir de Protégé. Fuente: Autoría propia. ........ 101
Figura 5-1 Despliegue de componentes del aplicativo RoapAdap. ......................... 104
Figura 5-2 Pantalla de inicio de sesión (Der. Pantalla de inicio de sesión / Izq. Error
de autenticación). ....................................................................................................... 104
Figura 5-3 Pantalla de registro en el sistema RoapAdap (Datos personales). ....... 105
Figura 5-4 Pantalla de registro en el sistema RoapAdap (Estilo de aprendizaje). .. 106
Figura 5-5 interfaz adaptativa del sistema RoapAdap. ............................................. 107
Contenido XV
Figura 5-6 Plataforma multi-agente RoapAdap_Plataform .......................................109
Figura 5-7 Tiempo empleado en la modificación de la GUI inicial del sistema por los
usuarios. ......................................................................................................................112
Figura 5-8 Tiempo empleado en la modificación de la GUI inicial según el formato
de OA para usuarios sin función adaptativa. ............................................................113
Figura 5-9 Tiempo empleado en la modificación de la GUI inicial según el formato
de OA para usuarios con función adaptativa. ...........................................................114
Figura 5-10 Comparación tiempo modificación interfaz de usuario para el formato
video con y sin la función de adaptativa. ..................................................................115
Figura 5-11 Comparación tiempo modificación interfaz de usuario para el formato
PDF con y sin la función de adaptativa. ....................................................................116
Figura 5-12 Distribución de GUI realizada por un usuario. ......................................117
Figura 5-13 Distribución de GUI realizada por la interfaz adaptativa. ......................117
Figura 5-14 Encuesta sobre OAs recomendados por el SR. ....................................118
Figura 5-15 Encuesta sobre los paneles de la GUI. ..................................................121
Figura 5-16 Tiempo de respuesta al cargar un OA con formato video (Izq sin
función adaptativa / Der con función adaptativa). ....................................................122
Figura 5-17 Tiempo de respuesta al cargar un OA con formato PDF (Izq sin función
adaptativa / Der con función adaptativa). ..................................................................122
Figura 5-18 Tiempo de respuesta al cargar un OA con formato imagen (Izq sin
función adaptativa / Der con función adaptativa). ....................................................123
Figura 5-19 Tiempos de respuesta al seleccionar un OA. ........................................123
Contenido XVI
Lista de tablas
Pág.
Tabla 1-1: Etapas, objetivos y actividades de la tesis ................................................ 23
Tabla 2-1: Relación estándar IEEE-LOM vs Estilos de aprendizaje. Tomada de
(Duque et al., 2016) ....................................................................................................... 43
Tabla 3-1: Comparación tipos de menú. Tomada de (Park et al., 2007) .................... 61
Tabla 3-2: Comparación artículos relacionados con el trabajo de investigación. .... 72
Tabla 4-1 Glosario de Términos de la ontología ......................................................... 95
Tabla 4-2 Diccionario de conceptos ............................................................................ 98
Tabla 4-3 Descripción de las relaciones binarias ....................................................... 99
Tabla 4-4 Descripción de atributos de instancia en detalle ....................................... 99
Tabla 4-5 reglas técnicas de inferencia. .................................................................... 100
Tabla 5-1 Herramientas necesarias para el desarrollo de la platafoma multi-agente
..................................................................................................................................... 108
Tabla 5-2 Características técnicas para la integración ontológica. ......................... 110
Tabla 5-3 Porcentaje de aceptación de las distribuciones propuestas. .................. 115
Tabla 5-4 Porcentaje de acierto del SR en las recomendaciones. ........................... 119
Tabla 5-5 Validación de RoapAdap en los navegadores. ......................................... 120
Tabla 5-6 Tiempo de respuesta de RoapAdap al aumentar los registros en la
ontología. ..................................................................................................................... 124
1. Presentación de la tesis
Este capítulo está dedicado a dar una descripción general de la tesis tomando en cuenta
la problemática, la pregunta emergente de investigación, los objetivos planteados, la
metodología propuesta para su desarrollo, las principales contribuciones y los logros
alcanzados.
1.1 Introducción
En esta época donde el acceso a la información y a la educación se ha facilitado por el uso
del internet, surge un gran reto para las personas que desean aprender de una forma virtual
y se debe a la gran cantidad de información que existe en la red, la cual no se ajusta
siempre a la forma en la cual una persona entiende o asimila los datos entregados.
Como posible solución a esta problemática existen los Objetos de Aprendizaje (OAs), los
cuales están enfocados en un tema en específico y un público en especial, así logrando
un mayor impacto en las personas que los utilizan. Los OAs son definidos por metadatos
que explican la naturaleza de cada objeto y para explicar cómo pueden ser utilizados y la
información que contienen estos metadatos se aplica uno de los estándares, en este caso
el estándar IEEE-LOM (Learning Technology Standards Committee, 2002), existen otros
estándares como DublinCore o Obaa. Es difícil para las personas que desean acceder a
un (unos) recurso(s) como los OAs seleccionar el recurso adecuado dado la gran cantidad
de objetos que se pueden encontrar en los repositorios o en las federaciones de
repositorios, dado que es complicado especificar completamente los términos de búsqueda
cuando se quiere acceder a un OA (Wang & Wu, 2011); los OAs tienen diferentes tipos de
efectividad en una persona, debido a que cada uno tiene uno o varios estilos de
aprendizaje diferentes tales como: Activo, Reflexivo, Sensitivo, Intuitivo, Inductivo,
Deductivo, Visual, Verbal, Secuencial, Global (Felder & Silverman, 1988).
18 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
Por la cantidad de OAs que existen, se crean sistemas de recomendación de OAs para
facilitar la búsqueda de estos en los repositorios y en las federaciones, ubicando los
recursos más adecuados según el perfil de la persona (Tipo de aprendizaje, gustos,
temática, características del estudiante y preferencias en general) que está realizando la
búsqueda (Rodríguez, 2013) (Sanjuán et al., 2009). La combinación de una buena interfaz
que facilite la adaptación del usuario al sistema de recomendación de OAs, es muy
importante en el proceso de facilitar el acceso al conocimiento.
Los sistemas multi-agentes constan de agentes, los cuales son entidades con suficiente
autonomía e inteligencia como para poder encargarse de tareas específicas con poca o
ninguna supervisión humana. Estos agentes se están empleando para resolver problemas
donde se necesita de sistemas autónomos que trabajan individualmente y cooperen entre
ellos para lograr una meta común (Salazar, 2015). Dichos agentes pueden ser utilizados
para poder comunicar una interfaz inteligente con un sistema de recomendación de OAs.
En cuanto a la visualización de contenido educativo digital, las interfaces de usuario han
evolucionado en las últimas décadas desde interfaces eminentemente textuales a
interfaces más complejas de tipo multimodal (i.e. integrando diversas formas de interacción
tales como multimedia, táctil, vocal, etc.).
Lo anterior ha permitido mejorar la interacción entre el ser humano y la máquina. Es
importante distinguir entre adaptabilidad y adaptatividad en las interfaces de usuario. En
una interfaz adaptable el usuario es quien explícitamente adapta la interfaz para que se
ajuste a sus gustos y características. En cambio, en una interfaz adaptativa el mismo
sistema es quien activa las acciones necesarias para realizar la adaptación.
Una ontología puede ser definida como una representación formal de un dominio,
utilizando una metodología bien definida que permita la representación de las entidades
del dominio y las relaciones entre estas, en el caso de las interfaces pueden ser utilizadas
para comprender cómo interactúa con esta los usuarios.
Capítulo 1 19
1.2 Problemática
Hoy en día existen muchos repositorios con recursos digitales a los cuales todos podemos
acceder, pero es muy fácil perderse en esa gran cantidad de información, para eso se
necesita un sistema que recomiende y facilite la visualización a los usuarios de los OAs
adecuados. Para lograr lo anterior se utilizan los metadatos a través de los cuales se puede
recuperar aquellos objetos que satisfagan no sólo el tema de la consulta, sino también el
perfil de usuario, teniendo en cuenta sus características y preferencias (Casali et al., 2011).
Existe dificultad en la presentación de los OAs, se identifica una oportunidad de mejorar la
visualización de los contenidos mediante la adaptación de la interfaz gráfica de usuario
(GUI) a los gustos y preferencias de los usuarios. Por lo anterior surge la necesidad de
proponer una interfaz que se pueda adaptar por si sola a los gustos y preferencias de los
usuarios y adicionalmente que sea adaptable, o sea, que el propio usuario pueda cambiar
los parámetros de visualización de la interfaz. Con lo anterior se puede retroalimentar al
sistema de recomendación y de esta forma favorecer la búsqueda y visualización de los
OAs en un entorno amigable y de fácil uso.
En la figura 1-1 se muestra un diagrama causa-efecto, donde se describen los principales
problemas que se tratan de abordar en esta tesis, con esto se logra obtener una vista
general de las problemáticas que se trabajan en la tesis.
20 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
Figura 1-1 Problemas que abarca la tesis de investigación
1.3 Pregunta emergente de investigación
La pregunta de investigación que trata de responder esta tesis de maestría se define a
continuación:
¿Es posible proponer un modelo de interfaz adaptativa y adaptable, la cual, mediante
ontologías, perfiles de usuario y agentes inteligentes permita la visualización de los objetos
de aprendizaje recomendados en procesos de enseñanza-aprendizaje?
1.4 Objetivo de la tesis
El objetivo de esta tesis de maestría es incorporar una interfaz adaptativa personalizada a
un sistema multi-agente de recomendación de OAs, desde repositorios o federaciones
Capítulo 1 21
accesibles desde internet, teniendo en cuenta las preferencias y necesidades de los
estudiantes, representadas mediante ontologías.
1.4.1 Objetivo general
Diseñar, desarrollar y evaluar un modelo multi-agente para la integración de interfaces
adaptativas en entornos virtuales para recomendación de objetos de aprendizaje basado
en perfiles de usuario y ontologías.
1.4.2 Objetivos específicos
• Caracterizar los elementos de adaptación al usuario, interfaces adaptativas, perfiles
de usuario, estilos de aprendizaje y ontologías para poder definir el modelo.
• Identificar los diferentes enfoques de la representación del conocimiento para
proponer un modelo que integre todos los elementos anteriores.
• Diseñar el modelo SMA para la integración de interfaces adaptativas en entornos
virtuales de aprendizaje utilizando ontologías.
• Implementar un prototipo funcional basado en el modelo propuesto.
• Evaluar a través de métricas el desempeño del prototipo implementado.
1.5 Alcance de la tesis
Orientado hacia la consecución de los objetivos planteados para esta tesis, se define el
alcance considerando los siguientes aspectos:
• La principal meta del proyecto de investigación es desarrollar un modelo de interfaz
adaptativa de usuario, que tenga en cuenta el perfil del usuario para así poder
22 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
recomendar los OAs correspondientes (teniendo en cuenta los estilos de
aprendizaje)
• Este trabajo considera módulos de selección y recomendación de objetos de
aprendizaje que no serán desarrollados dentro de la investigación, debido a que
son temáticas de interés de otras investigaciones.
• La evaluación tanto de los Cursos virtuales como de los Objetos de Aprendizaje no
es considerada en esta investigación, sin embargo, es necesario integrar trabajos
afines al modelo propuesto.
• Cuando se hace referencia a recursos educativos se consideran como objetos de
estudio: Objetos de Aprendizaje, recomendación de tutores especializados,
asesorías personalizadas, cursos y capacitaciones afines a las temáticas de los
CVA. En esta tesis solamente se contempla trabajar con OAs
Se espera que si los resultados son positivos en un futuro se pueda aplicar el modelo de
la interfaz adaptativa en sistemas de aprendizaje virtual reales.
Las aplicaciones y otras técnicas que salgan del alcance de la investigación serán tomadas
como trabajos futuros.
1.6 Metodología utilizada
La tesis contempla un desarrollo en 5 etapas las cuales están orientadas a alcanzar los
objetivos del proyecto a través de actividades específicas y definidas. En las diferentes
etapas se utilizarán técnicas de la inteligencia artificial, tecnologías Web, sistemas de
recomendación para poder considerar un modelo y prototipo funcional al cual mediante
unas métricas se va a medir su desempeño.
Capítulo 1 23
Tabla 1-1: Etapas, objetivos y actividades de la tesis
ETAPA OBJETIVO ACTIVIDADES
Etapa 1: Realizar el estado
del arte para los sistemas
de recomendación de OAs,
las interfaces adaptativas,
los perfiles de usuario,
ontologías y sistemas
multi-agentes
Caracterizar los elementos
de adaptación al usuario,
interfaces adaptativas,
perfiles de usuario, estilos
de aprendizaje y ontologías
para poder definir el
modelo.
1. Revisión
bibliográfica sobre
interfaces
adaptativas.
2. Revisión
bibliográfica sobre
perfiles de usuario.
3. Revisión
bibliográfica sobre
sistemas multi-
agente.
4. Revisión
bibliográfica sobre
sistemas de
recomendación.
5. Revisión
bibliográfica sobre
ontologías
Etapa 2: Desarrollo de un
mecanismo de
representación del
conocimiento ligado a los
mecanismos de las
interfaces adaptativas.
Identificar los diferentes
enfoques de la
representación del
conocimiento para
proponer un modelo que
integre todos los elementos
anteriores.
Diseñar modelo de
representación del
conocimiento.
24 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
Etapa 3: Diseño del
modelo propuesto.
Diseñar el modelo SMA
para la integración de
interfaces adaptativas en
entornos virtuales de
aprendizaje utilizando
ontologías.
1. Establecer los
componentes del
modelo.
2. Definir la arquitectura
del modelo.
3. Integración del SMA
con el modelo WEB y
las ontologías.
Etapa 4: Implementación
del modelo propuesto
Implementar un prototipo
funcional basado en el
modelo propuesto.
1. Implementar el modelo.
2. Evaluación inicial del
modelo.
Etapa 5: Evaluación a
través de métricas el
prototipo funcional
Evaluar a través de
métricas el desempeño del
prototipo implementado.
1. Definir métricas para la
evaluación del
prototipo.
2. Recopilar la
información para
realizar la evaluación
del prototipo.
3. Realizar la evaluación a
través de métricas del
prototipo.
4. Análisis y conclusiones
sobre el prototipo.
1.7 Cumplimiento de los objetivos
A continuación, se presentan los objetivos cumplidos:
Objetivo 1: Caracterizar los elementos de adaptación al usuario, interfaces adaptativas,
perfiles de usuario, estilos de aprendizaje y ontologías para poder definir el modelo.
Capítulo 1 25
Para la consecución de este objetivo de la tesis se realizó la revisión bibliográfica, en el
capítulo 2 (Marco teórico) se muestran los conceptos asociados a los temas que se van a
trabajar y son necesarios para el prototipo que se va a proponer en la tesis. Se
caracterizaron los elementos que componen una interfaz adaptativa entre ellos la
ontología, se identificaron los componentes de los perfiles de usuario, los estilos de
aprendizaje y los sistemas de recomendación de OAs.
Objetivo 2: Identificar los diferentes enfoques de la representación del conocimiento para
proponer un modelo que integre todos los elementos anteriores.
Se realizó una revisión sobre la representación del conocimiento mediante ontologías y se
escogió como metodología para la implementación a Methontology, a través de la ontología
desarrollada se logró ofrecer distribuciones de GUI aceptadas por los usuarios del
prototipo.
Objetivo 3: Diseñar el modelo SMA para la integración de interfaces adaptativas en
entornos virtuales de aprendizaje utilizando ontologías.
Para cumplir con este objetivo se diseñó e implementó un SMA basado en la metodología
Prometheus con la capacidad de realizar recomendaciones de OAs y al integrar el SMA
con una ontología se logró crear la funcionalidad adaptativa de la GUI del sistema, el
diseño del SMA se puede observar en el capítulo 4.
Objetivo 4: Implementar un prototipo funcional basado en el modelo propuesto.
Este objetivo se llevó a cabo al realizar una implementación de un prototipo funcional
basado en el modelo propuesto, integrando SMA, ontologías y un aplicativo web con la
interfaz adaptativa, el cual es el encargado de mostrar los OAs recomendados y tiene una
función adaptable para que el usuario pueda modificar la distribución de la GUI.
Objetivo 5: Evaluar a través de métricas el desempeño del prototipo implementado.
Por último, se evaluó el prototipo creado con diferentes casos de estudio aplicado a 6
métricas, con el fin de validar el rendimiento, el desempeño y la funcionalidad del aplicativo
creado.
26 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
1.8 Principales contribuciones logradas
Esta tesis de investigación estuvo centrada en ampliar las capacidades de un sistema de
e-learning, enfocándose en la presentación de los OAs mediante una interfaz adaptativa
la cual se adapta a los gustos del usuario. Para lograr construir esta interfaz adaptativa se
propuso un modelo SMA y una ontología los cuales le otorgan al sistema la capacidad de
recomendar OAs y la adaptatividad del sistema.
Los principales aportes de la investigación realizada en esta tesis de maestría se listan a
continuación:
• Se propuso un modelo de interfaz adaptativa capaz de realizar recomendaciones
de OAs, basada en SMA y ontologías.
• Se diseñó e implementó un prototipo funcional, el cual integró distintas áreas de la
inteligencia artificial como son los SMA y las ontologías, todo esto con la finalidad
de crear una interfaz adaptiva con la capacidad de realizar recomendaciones de
OAs y de esta forma ayudar a las personas a encontrar los recursos educativos
que se adecuen a su estilo de aprendizaje.
• Se evaluó y probó la viabilidad del prototipo desarrollado basado en el modelo
propuesto.
• Demostrar que el enfoque de interfaz adaptativa propuesto tiene un impacto
positivo en los usuarios, al distribuir la interfaz según las características del usuario
y disminuir el tiempo que estos invierten al realizar los cambios de la interfaz.
1.9 Logros adicionales
Adicionalmente a los objetivos logrados se presentan los siguientes aportes que no
estaban en los objetivos propuestos en la tesis:
• Se desarrolló una interfaz que es adaptable lo cual es una característica
independiente del sistema adaptativo desarrollado.
Capítulo 1 27
• Se implementó un sistema de recomendación (SR), que utiliza el estándar IEEE-
LOM basado en algunos metadatos de los OAs para realizar recomendaciones
mediante la técnica de filtrado basado en contenido.
1.10 Difusión de resultados
Con el propósito de divulgar el conocimiento obtenido al realizar esta tesis, fueron
presentados diversos artículos en revistas indexadas y ponencias referentes a las
temáticas que aborda la presente tesis. Dichos trabajos son presentados a continuación.
1.10.1 Artículos en revistas
Quiroz, T., Salazar, O. M., & Ovalle, D. A. (2016). Adaptable and Adaptive Human-
Computer Interface to Recommend Learning Objects from Repositories. Lecture Notes in
Computer Science, ISSN: 0302-9743, Volume 9753, pp 539-549.
1.10.2 Ponencias en eventos nacionales e internacionales
Quiroz, T., Salazar, O. M., & Ovalle, D. A. (2016). Adaptable and Adaptive Human-
Computer Interface to Recommend Learning Objects from Repositories. In International
Conference on Learning and Collaboration Technologies (pp. 539-549). Springer
International Publishing.
Salazar, O. M., Quiroz, T. & Ovalle, D. A. (2016). Modelo Multi-Agente para la Evaluación
y el Diagnóstico de Fallas en Procesos de Enseñanza- Aprendizaje. CAVA (VIII
International Conference of Adaptive and Accessible Virtual Learning Environment),
Cartagena, Colombia.
Quiroz, T., Salazar, O. M., & Ovalle, D. A. (2017). Modelo de Interfaz Adaptativa basada
en Perfiles de Usuario y Ontologías para Recomendación de Objetos de Aprendizaje. 13°
Congreso Interamericano de Computación Aplicada a la Ingeniería de Procesos,
Septiembre 25-28, Ciudad de México, México (in press).
28 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
1.11 Organización del documento
La tesis está organizada de la siguiente manera; en el capítulo 2 se presentan los
conceptos generales que abarcan las temáticas fundamentales de la problemática. En el
capítulo 3 se presenta la revisión del estado del arte, donde se describen los trabajos
relacionados con las áreas y técnicas abordadas en la investigación. El modelo propuesto
se presenta en el capítulo 4. La implementación y evaluación del prototipo son presentadas
en el capítulo 5, mientras que en el capítulo 6 se presentan las conclusiones y el trabajo
futuro. Finalmente, se contempla las referencias bibliográficas del documento.
2. Marco Teórico
Este capítulo tiene como objetivo presentar los principales conceptos que son utilizados en
el desarrollo de esta investigación y que soportan el modelo de interfaz adaptativa para
recomendación de objetos de aprendizaje.
2.1 Interfaces adaptativas
Las interfaces adaptativas hacen parte del área de la interacción hombre máquina (HCI) la
cual se ocupa de estudiar la creación de productos informáticos que ayuden en la
realización de tareas a sus usuarios atendiendo a la facilidad de uso, al tiempo de
ejecución, a evitar que sucedan posibles errores y, en consecuencia, a la satisfacción de
los usuarios. La HCI se ocupa, pues, del análisis y diseño de interfaces entre el hombre y
la máquina (Marcos, 2001). Otras de las áreas de investigación en HCI aparte de las
interfaces adaptativas son (1) el análisis del rostro y sus dinámicas para lograr detectar los
estados anímicos de los usuarios mejorando así la comunicación, (2) análisis del cuerpo
con el fin de ubicar la posición del usuario sus gestos y movimientos, (3) análisis de los
ojos logrando percepción de inmersión (Lew et al., 2007).
La interacción entre el ser humano y la máquina se realiza a través de una interfaz de
usuario que facilita la intercomunicación traduciendo del lenguaje binario de la máquina al
lenguaje humano y viceversa, pudiendo ésta adoptar múltiples modalidades (gráfica,
textual, vocal, etc.) (López 2005). Hoy en día la comunicación entre computadoras y los
usuarios es mayormente basada en interfaces gráficas de usuario (GUI), las cuales
permiten a los usuarios interactuar con el sistema mediante componentes gráficos como
etiquetas, campos de texto, botones, imágenes, indicadores visuales entre otros (Kollar,
2003).
30 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
Existen distintas taxonomías para clasificar la amplia variedad de posibles sistemas con
algún grado de adaptación. Tradicionalmente se han considerado dos tipos de adaptación
de la interfaz de usuario (López 2005):
• Adaptabilidad: en este tipo de adaptaciones el usuario realiza la adaptación. Por
lo tanto, es el usuario el que explícitamente adapta la interfaz de usuario para que
se ajuste a sus gustos.
• Adaptatividad: cuando se da este tipo de adaptación, el sistema es el actor
responsable de realizar las acciones necesarias para realizar la adaptación.
Según Letsu-Dake & Ntuen (2009) una interfaz adaptativa adecua autónomamente sus
mecanismos de procesamiento de información y sus acciones para alcanzar los objetivos
actuales de su usuario; esto se logra monitoreando el estado del usuario, las tareas de la
interfaz y la situación actual de los requisitos. Alternativamente también se pueden definir
las interfaces adaptativas como un conjunto de controles y pantallas, un operador humano
y un sistema de software subyacente que sea capaz de: (1) modificar la representación de
la información, (2) transformar las posibilidades de control, (3) cambiar la asignación de
tareas a realizar y (4) variar tanto el estado del sistema como el medio ambiente en el que
están inmerso el usuario y el sistema.
2.2 Diseño de interfaces gráficas de usuario (GUI)
El desarrollo de GUI ha evolucionado desde la programación de interfaces de usuario
usando lenguajes de propósito general hasta las actuales aproximaciones basadas en
modelos, siguiendo las líneas definidas dentro del campo de las arquitecturas guiadas por
modelos (MDA – Model Driven Architectures). Existen varios tipos de diseños de interfaces
de usuarios los cuales se describen a continuación (López 2005).
2.2.1 Diseño de GUI basado en modelos
El desarrollo de GUI basado en modelos consiste en la especificación de la interfaz de
usuario utilizando modelos declarativos (modelo de tareas, modelo de dominio, modelo de
usuario, modelo de diálogo, entre otros) los cuales definen las diferentes funcionalidades
y actividades que se pueden realizar en la GUI (López 2005).
Capítulo 2 31
2.2.2 Diseño de GUI adaptativas basadas en agentes
El diseño de GUI adaptativas crea la necesidad de incluir algún mecanismo que sea capaz
de inferir conocimiento a partir de la información recogida de la interacción con el usuario
y su entorno, además que sea capaz de tomar decisiones basándose en dicha información.
Todas las acciones anteriormente descritas las cumplen los agentes de interfaz, los cuales
deben mostrar, al menos, algunas de las características que asociamos a la inteligencia
humana: aprendizaje, inferencia, capacidad de adaptación, independencia, creatividad,
etc. La interfaz de usuario debe ser capaz de modificar el estado de sus propios objetos
utilizando manipulación directa, pero sin que el usuario se lo ordene de forma explícita todo
esto se logra con los agentes de interfaz. El agente puede observar lo que el usuario hace
durante algún tiempo sin decidir hacer nada, o una sola acción del usuario en la interfaz
puede desencadenar toda una serie de acciones por parte del agente (López 2005). “El
sistema queda inactivo mientras el usuario va preparando la siguiente entrada, o
simplemente queda inactivo porque el usuario está deliberando sobre lo que quiere hacer.
De esta manera, cada una de las acciones del sistema son iniciadas explícitamente por el
usuario. Sin embargo, un agente de interfaz autónomo puede seguir haciendo las acciones
que va desencadenando su percepción de la interfaz (su entorno), y que decide realizar
de forma autónoma” (López 2005). En la figura 2-1 se muestra el funcionamiento del
agente de interfaz y los flujos de información según se enunció anteriormente.
32 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
Figura 2-1 Esquema del funcionamiento de un agente de interfaz.
Tomada de (López, 2005).
2.3 Sistemas de Recomendación (SR)
Un Sistema de Recomendación (SR) en general ayuda a los usuarios a encontrar un
contenido adicional al que se está buscando (Park et al., 2012), estos sistemas recolectan
información de las preferencias de los usuarios, dicha información puede ser obtenida
explícitamente (Típicamente preguntándole al usuario obteniendo retroalimentación) o
implícitamente (monitoreando el comportamiento del usuario). Los SR tratan de balancear
Capítulo 2 33
factores como exactitud, novedad, dispersidad y la estabilidad de las recomendaciones
entregadas (Bobadilla et al., 2013).
Los SR utilizan principalmente los siguientes tipos de filtrado para entregar sus
recomendaciones (Bobadilla et al., 2013, Park et al., 2012, Rodríguez. 2013):
• El filtrado basado en el contenido realiza recomendaciones basado en las
decisiones que el usuario ha tomado en el pasado, también se pueden generar
recomendaciones basados en los objetos, al analizarlos y poder establecer
relaciones con objetos similares.
• El filtrado demográfico se centra en el principio de que individuos con atributos
personales en común (sexo, edad, país, etc.), tienen preferencias similares.
• El filtrado colaborativo permite a los usuarios entregar puntajes a los objetos que
contiene el SR, de esta forma al recolectar suficiente información se pueden realizar
recomendaciones a cada usuario, basado en la puntuación entregada por aquellos
usuarios con los que se tienen más características en común.
• El filtrado basado en el conocimiento utiliza el historial de navegación del usuario
con el fin de obtener preferencias e intereses y con esta información entregar las
recomendaciones.
En entornos de e-learning los SR son utilizados para resolver el problema de la sobrecarga
de información al recomendar OAs a los usuarios que se adapten a sus necesidades
(Sanjuán et al., 2009).
2.4 Perfiles de Usuario
Los perfiles de usuario son un conjunto de información que permiten modelar los intereses
y preferencias de un usuario para entender mejor las necesidades de este y así poder
predecir sus intenciones (Alaoui et al., 2015).
El principal objetivo de los perfiles de usuario es describir las características, preferencias
y necesidades de los usuarios, uno de los fines que se le pueden dar a la información
contenida en el perfil de usuario es realizar búsquedas personalizadas, entregando así
resultados útiles a cada uno de los usuarios (Salazar, 2015).
34 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
Utilizando los perfiles de usuario y los SR es posible realizar búsquedas personalizadas
para obtener OAs adecuados a lo que cada usuario requiere (Casali et al., 2011).
Los siguientes aspectos son los que se deben de tener en cuenta para el desarrollo de
perfiles de usuario: cuál es la información relevante, cómo obtenerla, cómo representarla,
cómo mantenerla actualizada, qué métodos de recuperación implementar y cómo utilizar
esa información para adaptar el sistema en forma automática (D’Agostino et al., 2005).
La información del perfil del usuario tiene datos estáticos y otra parte es dinámica
(Rodríguez. 2013).
• Información del perfil de usuario estática: es aquella información que se ingresa
una sola vez y no cambia con el tiempo, ejemplo la fecha de nacimiento, nombre,
clave, identificación.
• Información del perfil de usuario dinámica: es la información que sufrirá
modificaciones como consecuencia de la interacción con el sistema o con el tiempo,
por ejemplo, los intereses y preferencias, que pueden cambiar con el paso del
tiempo.
2.4.1 Modelo del estudiante
El modelo del estudiante en un entorno virtual de aprendizaje puede entenderse como las
características de un estudiante que son relevantes en un proceso educativo. Duque en su
tesis doctoral (Duque, 2009) propone un modelo del estudiante que se construye a partir
del perfil (variables referentes a las características personales en cuanto a sus preferencias
y atributos más permanentes, tales como: datos personales, estilo de aprendizaje,
académico, psicológica, personalidad) y el historial (variables dinámicas referentes al
proceso de aprendizaje del alumno, así como: ambiental, emocional, historial, estado
anímico, sociológicas, contextuales). En la figura 2-2 se ven todos los elementos que
abarca el modelo del alumno propuesto por Duque.
El objetivo del modelo del estudiante es definir los elementos y atributos que son
determinantes en el proceso de adaptación, sin lugar a dudas este modelo se convierte en
un aspecto importante en el diseño y construcción de sistemas de e-learning con interfaz
adaptativa. Cabe señalar que a partir del modelo del estudiante se deben definir ¿qué
Capítulo 2 35
elementos se van a modelar?, ¿cómo serán modelados?, ¿cómo se capturarán
inicialmente los valores de los atributos?
Un elemento especialmente útil del modelo del estudiante es el historial, pues es el
elemento encargado de alimentar a los sistemas de tipo SR pedagógicos, al entregar
información relacionada del usuario actual con respecto al uso del sistema, las consultas
realizadas, la ubicación de los elementos en la GUI, entre otros. Con esta información el
SR puede entregar mejores recomendaciones tanto al usuario actual como a otros
usuarios.
Figura 2-2 Mapa conceptual del Modelo del estudiante. Tomada de (Duque, 2009)
36 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
Una parte muy importante del modelo del estudiante son los estilos de aprendizaje; existen
diferentes modelos que tratan de definir los estilos de aprendizaje y sus características uno
de ellos es definido por Felder y Silverman (1988) según los cuales los estudiantes se
pueden clasificar dependiendo de cómo se recibe y se procesa la información, las
dimensiones en las que se clasifican los estudiantes son:
• Sensitivo / Intuitivo: Los estudiantes sensitivos les gustan los hechos, los datos y
la experimentación, también les gusta resolver problemas y no les gustan las
sorpresas, por otro lado, los estudiantes intuitivos les gustan los principios y las
teorías les gusta la innovación y les disgusta lo repetitivo.
• Visual / Auditivo: Los estudiantes visuales recuerdan más lo que ven por ejemplo
imágenes, diagramas, demostraciones, los estudiantes auditivos se enfocan más
en lo que escuchan, prefieren explicaciones verbales sobre demostraciones
visuales.
• Inductivo / Deductivo: En los estudiantes con estilo de aprendizaje inductivo se
infiere principios, se procede de lo particular (observaciones, mediciones, datos) a
generalidades, en el caso deductivo se deducen las consecuencias.
• Activo / Reflexivo: Los estudiantes reflexivos se sienten más cómodos realizando
lecturas, examinando y manipulando información, prefieren espacios donde
puedan pensar sobre la información que se les presenta, todo lo contrario de los
estudiantes activos los cuales prefieren realizar experimentos y trabajar en equipos.
• Secuencial / Global: Para los estudiantes con un estilo de aprendizaje secuencial
es importante recibir la información de forma estructurada, de forma que se avance
en una dirección en lo que se aprende hasta no aprender un tema no se avanza al
siguiente. Por el contrario, en el estilo de aprendizaje global los estudiantes
prefieren que se les presente toda información sin una estructura o clasificación
definida.
A partir de estas dicotomías se clasifican los estudiantes en cuanto a estilos de aprendizaje
lo que permite la recomendación apropiada de recursos educativos.
Capítulo 2 37
2.5 Objetos de Aprendizaje (OAs) y Repositorios de OAs
Los Objetos de Aprendizaje (OAs) son componentes potencialmente reutilizables desde
los cuales pueden ser construidos cursos de e-learning (Polsani, 2003), según (Learning
Technology Standards Committee, 2002) los OAs son entidades digitales o no digitales
que pueden ser utilizadas, reutilizadas o referenciadas durante un proceso de e-learning.
Según (Marzal et al., 2015) los OAs tienen 2 tendencias para su definición:
• Aquéllas que establecen que un OA puede ser cualquier objeto con utilidad
educativa (defendida principalmente por el ámbito de las tecnologías educativas).
• Aquéllas que defienden que un OA debe poseer características concretas y bien
asentadas en el ámbito educativo y documental.
Los OAs también deben contar con características identificativas (metadatos); ser
recuperables y localizables a partir de sus principales características descritas conforme a
metadatos.
La figura 2-3 (Salazar, 2015) presenta las características que debe poseer un material
educativo digital para poder ser considerado como un OA, después de realizar una revisión
de la definición presentada por varios autores (Wiley, 2001) (Cuervo et al., 2011) (Cruz-
Pérez & Galeana. 2005):
Figura 2-3 Características de los OAs. Tomada de (Salazar, 2015)
38 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
✓ Generatividad: Capacidad del OA para dividirse con el fin de generar nuevos OAs.
✓ Interoperabilidad: Característica que permite ejecutar el OA en diferentes
plataformas y con diferentes especificaciones de Hardware y Software.
✓ Accesibilidad: Característica que garantiza el correcto acceso a los recursos sin
restricción alguna y en el momento que lo requiera el usuario.
✓ Escalabilidad: Capacidad del OA para ser extendido o integrado con otros OAs.
✓ Durabilidad: Capacidad del OA para mantenerse actualizado a los nuevos
requisitos de Software o de Hardware.
✓ Adaptatividad: Característica que permite al OA ser utilizado en diferentes áreas
del conocimiento, cambiando su estructura de acuerdo a las necesidades del
contexto en el cual se desenvuelve.
✓ Autocontención conceptual: Capacidad del OA para autodescribirse sin
necesidad de utilizar entes externos.
✓ Reusabilidad: Capacidad de utilizar el OA en diferentes contextos o por diferentes
usuarios. En este sentido es importante considerar aspectos de interoperabilidad y
modularidad.
✓ Granularidad: Unidad de medida del contenido del OA, a partir de la cual se puede
determinar qué tan reutilizable sea en otros contextos.
✓ Portabilidad: Capacidad de migrar el OA a diferentes contextos sin que afectar su
contenido o estructura.
✓ Gestión: Facilidad de obtención de los contenidos y de los metadatos del OA.
✓ Interactividad: Capacidad del OA para comunicarse con los usuarios ligados al
proceso de aprendizaje.
Los repositorios de OAs (ROAs) son plataformas multi-funcionales que son encargadas de
facilitar el acceso de los OAs en una variedad de formatos, de esta forma los usuarios
pueden buscar, encontrar y utilizar dichos recursos. Los ROAs también pueden ser
definidos como bases de datos que albergan herramientas como textos, artículos, videos,
Capítulo 2 39
grabaciones de audio y aplicaciones. El propósito de los ROAs no solo es el
almacenamiento seguro de los OAs y la entrega de los OAs, también permiten la
administración en términos de actualización, identificación, utilización, compartir y reutilizar
dichos OAs (Clements et al., 2015).
Existen actualmente ROAs muy reconocidos y utilizados a nivel mundial tales como:
MERLOT de EEUU (http://www.merlot.org/), CAREO de Canadá (http://careo.ucalgary.ca),
ARIADENE de Europa (http://www.ariadne-eu.org), FEB de Brasil (http://feb.ufrgs.br/feb) y
ROAP de Colombia (froac.manizales.unal.edu.co/roap/).
2.5.1 Estándares de Metadatos
Hoy en día existen varios estándares de metadatos los cuales buscan facilitar el
intercambio y accesibilidad de los OAs, surgen por la necesidad de compartir objetos que
provienen de distintas fuentes y organizar su almacenamiento. Entre los más importantes
se encuentran el IEEE-LOM, DublinCore, Can Core y OBAA. Cada uno de estos especifica
la sintaxis y la semántica de los atributos necesarios para describir un OA. A continuación,
se describen algunos de estos estándares, los cuales garantizan el intercambio de
información entre diferentes sistemas de información permitiendo la búsqueda, evaluación,
recuperación y uso de los OAs (Salazar, 2015). A continuación, se describen estos
estándares:
• IEEE-LOM: Es el estándar propuesto por la IEEE (Learning Technology Standards
Committee, 2002) que especifica la sintaxis y la semántica de los atributos
necesarios para describir los OAs. Este estándar comprende nueve categorías de
metadatos y más de sesenta atributos para describir el ciclo de vida del objeto,
características generales, técnicas, educacionales, entre otras (ver figura 2-4).
40 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
Figura 2-4 Modelo jerárquico del estándar IEEE-LOM.
Tomada de (Learning Technology Standards Committee, 2002)
• DublinCore: Es un estándar propuesto por la DCMI (Dublin Core Metadata
Initiative), el cual trabaja en el desarrollo de estándares de metadatos que faciliten
la interoperabilidad, también establece quince metadatos para poder catalogar los
recursos digitales, muchos de los cuales son opcionales a continuación los
metadatos (http://dublincore.org):
1. Título: el nombre dado a un recurso.
2. Claves: los tópicos del recurso.
3. Descripción: una descripción textual del recurso. Puede ser un resumen
en el caso de un documento o una descripción del contenido en el caso de
un documento visual.
4. Fuente: secuencia de caracteres usados para identificar unívocamente un
trabajo a partir del cual proviene el recurso actual.
5. Lengua: lengua/s del contenido intelectual del recurso.
6. Relación: es un identificador de un segundo recurso y su relación con el
recurso actual. Este elemento permite enlazar los recursos.
Capítulo 2 41
7. Cobertura: es la característica de cobertura espacial y/o temporal del
contenido intelectual del recurso.
8. Autor o Creador: la persona u organización responsable de la creación del
contenido intelectual del recurso.
9. Editor: la entidad responsable de hacer que el recurso se encuentre
disponible en la red en su formato actual.
10. Otros Colaboradores: una persona u organización que haya tenido una
contribución intelectual significativa, pero que esta sea secundaria en
comparación con las de las personas u organizaciones especificadas en el
elemento Creator.
11. Derechos: son una referencia sobre derechos de autor.
12. Fecha: fecha en la cual el recurso se puso a disposición del usuario en su
forma actual.
13. Tipo del Recurso: la categoría del recurso.
14. Formato: es el formato de datos de un recurso, usado para identificar el
software y, posiblemente, el hardware que se necesitaría para mostrar el
recurso.
15. Identificador del Recurso: secuencia de caracteres utilizados para
identificar unívocamente un recurso.
• OBAA: Es un estándar brasileño desarrollado por la Universidad Federal de Rio
Grande do Sul, en cooperación con la Universidad de Vale dos Sinos, (Vicari et al.,
2009) el cual define un estándar para la representación de metadatos de contenidos
digitales interactivos. Este estándar extiende el estándar IEEE-LOM permitiendo la
interoperabilidad de OAs en múltiples plataformas, como la Web y los dispositivos
móviles. Adicionalmente, considera atributos para representar información
referente a la accesibilidad de personas con necesidades especiales, en la figura
2-5 se pueden observar las categorías que maneja el estándar OBAA.
42 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
Figura 2-5 Estándar OBAA. Tomada de (Vicari et al. 2009)
2.5.2 Estándar IEEE-LOM vs Estilos de aprendizaje
Para poder mapear los estilos de aprendizaje al estándar de IEEE-LOM, se puede utilizar
los siguientes metadatos: (1) Tipo de recurso de aprendizaje, (2) Nivel de interactividad y
(3) Tipo de interactividad, los cuales pertenecen a la categoría Educacional del estándar
IEEE-LOM (Duque et al., 2016).
En una propuesta presentada por Duque et al (2016) se puede determinar si el OA es
pertinente (basado en sus metadatos) para un estilo de aprendizaje, esto se logra poniendo
un 1 o un 0 en las intersecciones en la tabla 1-1, en esta tabla se muestra la relación que
proponen entre el estándar IEEE-LOM y los estilos de aprendizaje propuestos por Felder
y Silverman (1988).
Capítulo 2 43
Tabla 2-1: Relación estándar IEEE-LOM vs Estilos de aprendizaje. Tomada de (Duque et al., 2016)
44 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
2.6 Sistemas Multi-Agente
Según Wooldridge (2009) los Sistemas Multi-Agente (SMA) están compuestos de múltiples
elementos de cómputo llamados agentes. Los agentes son sistemas computacionales con
2 importantes capacidades:
1. Acciones autónomas: decidir por sí mismos que tareas necesitan hacer y en qué
orden realizarlo
2. Capacidad de interacción: no simplemente el intercambio de datos entre los
agentes, si no actividad social (cooperación, coordinación, negociación)
Los agentes son entidades que poseen la suficiente autonomía e inteligencia como para
poder encargarse de tareas específicas con poca o ninguna supervisión humana
(Wooldridge, 2009). Los SMA son un sistema compuesto de agentes cooperativos o
competitivos que interactúan entre ellos para poder alcanzar metas individuales o
comunes. Los SMA están basados en arquitecturas abiertas que permiten a nuevos
agentes unirse dinámicamente y también dejar el sistema (Giorgini & Henderson-Sellers,
2005). Otra de las características de este tipo de sistemas es la facilidad de adquisición y
procesamiento de información que se encuentra altamente distribuida, los agentes móviles
por su parte son entidades capaces de moverse a través de una red informática, ya sea
LAN (Local Área Network) o WAN (Wide Area Network), migrando o clonando su código y
estado de una máquina a otra, interactuando con dispositivos extraños, recopilando
información para luego volver a su origen con los datos obtenidos (Salazar, 2015).
Las principales características que definen un agente de software son las siguientes
(Wooldridge, 2009) (Padgham & Winikoff, 2004):
1. Autonomía: Capacidad para operar sin la supervisión de ningún actor humano.
2. Cooperación: Capacidad de intercambiar conocimientos, experiencias y planes
para lograr un objetivo común.
3. Coordinación: Capacidad para coordinar tareas y distribuir responsabilidad para
alcanzar los objetivos comunes.
Capítulo 2 45
4. Reactividad: Capacidad de reaccionar ante algún estímulo producido por el
entorno.
5. Proactividad: Capacidad de tomar iniciativa con el fin de ofrecer soluciones o
recomendaciones.
6. Movilidad: Capacidad de moverse dentro de una red telemática.
7. Adaptabilidad: Capacidad de adaptación a los cambios del entorno.
8. Veracidad: Capacidad para entregar siempre información verídica y de utilidad.
9. Paralelismo: Capacidad de ejecutar varias tareas simultáneamente.
10. Deliberación: Capacidad para tomar decisiones mediante el razonamiento.
11. Flexibilidad: Capacidad para tener múltiples formas de realizar los objetivos.
12. Robustez: Capacidad para lidiar con varias formas de fallos.
Los SMA están siendo utilizados para dar solución a falencias relacionadas con entornos
de aprendizaje, debido a que este tipo de entornos comprenden numerosas tareas que
deben llevarse a cabo simultáneamente y este tipo de sistemas permite descomponerlas
en sub-tareas con el fin de lograr objetivos comunes (Duque 2009).
2.6.1 Metodologías para el desarrollo de SMA
Existen varias metodologías para desarrollar SMA, muchas de ellas utilizan el paradigma
de programación orientado a objetos, mientras otras están basadas en ideas provenientes
de la inteligencia artificial (Giorgini & Henderson-Sellers 2005). La figura 2-6 muestra un
panorama general de las metodologías utilizadas para el desarrollo de SMA. Algunas de
las metodologías más conocidas son GAIA la cual fue la primera metodología para el
desarrollo de SMA, GAIA se centra en el uso de abstracciones para manejar el análisis y
el diseño de los SMA, luego está la metodología MAS-CommonKADS la cual gira alrededor
del modelo de experiencia y está pensada para desarrollar sistemas expertos que
interactúen con el usuario, esta metodología extiende de la metodología CommonKADS,
adicionalmente MAS-CommonKADS “ofrece un marco para la especificación del
conocimiento independiente de la implementación” (Jiménez et al., 2009). Una de las
46 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
metodologías con más aceptación actualmente es Prometheus, esta soporta el desarrollo
de agentes inteligentes por usuarios no expertos, es práctica, completa y detallada
(Giorgini & Henderson-Sellers 2005). A continuación, se detalla una breve descripción de
algunas de las metodologías para desarrollar SMA:
Figura 2-6 Metodologías más utilizadas para el desarrollo de SMA y sus principales
influencias. Tomada de (Giorgini & Henderson-Sellers, 2005)
• MAS-CommonKADS: Esta metodología extiende CommonKADS, la cual gira
alrededor del modelo de experiencia y está pensada para desarrollar sistemas
expertos que interactúen con el usuario; esta metodología propone una lista
detallada de elementos y relaciones a identificar en el sistema, de hecho, considera
sólo dos agentes básicos: el usuario y el sistema. MAS-CommonKADS extiende
los modelos de CommonKADS para tener en cuenta la posibilidad de que dos o
más componentes del sistema interactúen (Sanz, 2003). La metodología Mas-
CommonKADS permite la integración de técnicas de la ingeniería de
conocimientos, ingeniería de software orientada a objetos e ingeniería de software
de protocolos. Se desarrolla a través de la construcción de siete modelos: (1) el
Modelo de Agente, que describe las características de cada agente; (2) el Modelo
de Tarea, que describe las tareas realizadas por los agentes; (3) el Modelo de la
Experiencia, que describe el conocimiento que necesitan los agentes para llevar a
cabo los objetivos encomendados; (4) el Modelo de Coordinación, que describe las
relaciones dinámicas entre los agentes software; (5) el Modelo de Comunicación,
Capítulo 2 47
que describe las relaciones dinámicas entre los agentes humanos y los agentes
software; (6) el Modelo de la Organización, que describe las relaciones
estructurales entre los agentes; (7) y el Modelo de Diseño, que refina los modelos
anteriores y decide qué arquitectura de agente es más adecuada para cada agente,
así como los requisitos de la infraestructura de la red de agentes (Jiménez et al.,
2009). En la figura 2-7 se muestran los modelos que define la metodología MAS-
CommonKADS.
Figura 2-7 Modelos de Mas-CommonKADS.
Tomada de (Giorgini & Henderson-Sellers, 2005)
• GAIA: Fue la primera metodología para el desarrollo de SMA, GAIA se centra en
el uso de abstracciones para manejar el análisis y el diseño de los SMA usualmente
para caracterizar complejos ambientes. También modela los aspectos macro
(social) y micro (características de los agentes) del SMA (Cossentino et al., 2014).
Según Sanz (Sanz, 2003) GAIA es una metodología para el diseño de SMA cuyo
objetivo es obtener un sistema que maximice alguna medida de calidad global.
También pretende ayudar al analista a ir sistemáticamente desde unos requisitos
iniciales a un diseño que esté lo suficientemente detallado como para ser
implementado directamente. En GAIA se define el concepto de una organización
(es una colección de roles, los cuales mantienen ciertas relaciones con otros y
toman parte en patrones institucionalizados de interacción con otros roles). Los
48 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
roles agrupan cuatro aspectos: (1) responsabilidades del agente, (2) los recursos
que se le permite utilizar, (3) las tareas asociadas e (4) interacciones.
El proceso para desarrollar un SMA basado en la metodología GAIA se muestra en
la figura 2-8
Figura 2-8 Proceso general para el desarrollo de un SMA con la metodología GAIA.
Tomada de (Cossentino et al., 2014)
• TROPOS: Esta metodología provee una guía para las 4 mayores fases de
desarrollo de un SMA, una de mayores contribuciones es poner énfasis en las
metas de modelamiento y su relación con el sistema de actores, tareas y recursos.
(Giorgini & Henderson-Sellers. 2005). Las fases para desarrollar un SMA son
(Bresciani et al., 2004) (Cossentino et al., 2014):
1. Análisis de requisitos: en esta fase se identifican los actores y modelos
de dominio (como actores sociales, que dependen el uno del otro para
alcanzar objetivos), los planes para llevar a cabo, y los recursos que se han
proporcionado. Esta fase puede dividirse en las siguientes etapas:
Capítulo 2 49
▪ Requisitos iniciales: se concentra en comprender y modelar el
entorno de la organización.
▪ Requisitos finales: se inician con los resultados de la etapa anterior
y luego se especifican los requisitos funcionales y no funcionales.
2. Diseño de arquitectura: en esta fase de diseño se define la arquitectura
global del sistema en términos de subsistemas interconectados a través de
los datos y flujos de control. También provee el mapeo de los actores del
sistema a un set de agentes.
3. Diseño detallado: el diseño detallado se encarga de especificar las
capacidades y las interacciones de los agentes.
4. Implementación: se concentra en el desarrollo del SMA.
• PROMETHEUS: Incluye una descripción de los conceptos para el diseño de los
agentes, un proceso de desarrollo, notaciones para la captura de diseños y varias
técnicas que dan consejos sobre cómo llevar a cabo las etapas de proceso
(Padgham & Winikoff, 2005). Como se puede observar en la figura 2-9, Prometheus
considera tres fases de diseño las cuales se detallaran a continuación:
Figura 2-9 Fases de la metodología Prometheus.
Tomada de (Padgham & Winikoff, 2004).
50 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
A continuación se detallan las tres fases de diseño de la metodología Prometheus
(Padgham & Winikoff, 2005):
o Fase de especificación del sistema: Es en esta fase donde se especifican los
objetivos del sistema y los casos de usos; la interfaz del sistema es descrita en
términos de acciones, percepciones e información externa.
o Fase de diseño de la arquitectura: El propósito de esta fase es: (1) identificar
los agentes agrupándolos por su funcionalidad, (2) describir las interacciones
entre los agentes del sistema a través de mensajes y protocolos de
comunicación y (3) el diseño de la estructura general del sistema de agentes
(que incluye los límites del sistema y sus interfaces en términos de acciones y
percepciones; también en términos de información y código que son externos
al sistema).
o Fase de diseño detallado: Durante esta fase se describe la estructura interna
de cada agente a partir de la definición de percepciones, acciones, planes,
capacidades y fuentes de información.
2.6.2 Herramientas para la implementación de SMA
En el caso de las herramientas para el desarrollo de un SMA existen varios frameworks
que potencian su implementación como: mecanismos para la administración de los
agentes, despliegue de plataformas SMA, implementación de protocolos para la
comunicación entre agentes y ciclos de vida de los agentes (Salazar, 2015). En la figura
2-10 se muestran algunos de los frameworks más utilizados para el desarrollo de SMA.
Capítulo 2 51
Figura 2-10 Frameworks para el desarrollo de SMA. Tomada de (Salazar, 2015)
• JADE: Es un Framework desarrollado totalmente en JAVA, el cual simplifica la
implementación de un SMA, también cumple con las especificaciones FIPA. Un
sistema basado en JADE puede ser distribuido en diferentes máquinas (no tienen
que tener el mismo sistema operativo) y su configuración puede ser controlada
remotamente todo esto mediante interfaces gráficas, con las cuales también es
posible realizar depuraciones al sistema (JADE, 2016). Adicionalmente, permite el
despliegue de plataformas Multi-Agente a partir de una arquitectura basada en
contenedores de agentes y brinda mecanismos para la búsqueda de servicios, la
comunicación entre agentes a partir de ontologías y la movilidad (Bellifemine et al.
1999).
• JASON: Es un intérprete de una versión extendida de la plataforma AgentSpeak,
la cual permite el de agentes basados en la arquitectura BDI (Believes, Desires and
In-tentions). Un SMA basado en JASON puede ser fácilmente adaptado a las
necesidades, especialmente en la arquitectura de los agentes y puede ser
distribuido fácilmente sobre una red utilizando SACI o JADE. (Bordini et al., 2007)
(http://jason.sourceforge.net/).
• CArtAgO: Está basado en el meta-modelo de Agentes & Artefactos (A&A) para el
modelado y diseño de SMA. CArtAgO facilita el desarrollo y ejecución de ambientes
basados en artefactos, estructurando ambientes de trabajo (pueden ser distribuidos
en la red). En estos ambientes los agentes de diferentes plataformas pueden
interactuar, esto gracias a que CArtAgO trata de ser ortogonal con respecto a las
especificaciones del modelo de agentes, su arquitectura y comportamiento
(http://cartago.sourceforge.net/).
52 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
• JaCaMo: Es un Framework para desarrollar SMA que está basado en un modelo
de programación llamado JaCa, en el cual un SMA es diseñado y programado como
un conjunto de agentes que trabajan y cooperan dentro de un entorno común.
JaCaMo combina tres diferentes tecnologías (1) JASON para programar agentes
autónomos, (2) CArtAgO para programar artefactos de entorno y (3) MOISE para
programar organizaciones multi-agentes. Todas ellas cuentan con una gran
trayectoria en el desarrollo de SMA (http://jacamo.sourceforge.net/).
En la figura 2-11 se muestra la estructura de un SMA basado en JaCaMo donde la
asociación de la esquina superior izquierda pertenece a los componentes utilizados para
un ambiente desarrollado en CArtAgO. Por su parte, la asociación de la esquina superior
derecha son los componentes que describen a los agentes que se crean con JASON y por
último, se tiene la asociación del fondo la cual describe las interacciones entre los
diferentes agentes creada con MOISE.
Figura 2-11 Estructura de un sistema JaCaMo. Tomada de (JACAMO, 2016).
Capítulo 2 53
2.7 Ontologías y Web Semántica
Una ontología puede ser definida como una representación formal de un dominio,
utilizando una metodología bien definida que permita la representación de las entidades
del dominio y las relaciones entre estas (Tramullas et al., 2013).
La web semántica es una extensión de la web actual en donde la información tiene un
significado bien definido, es más entendible por los computadores y en donde las personas
pueden trabajar cooperativa y colaborativamente. Existen diferentes lenguajes para
representar ontologías, el más utilizado es OWL (Ontology Web Language), el objetivo
principal de este lenguaje es el procesamiento automático de información por parte de las
aplicaciones en la web, en vez de que sea procesada con intervención humana como se
realiza en la Web tradicional (OWL, 2016). A partir de este nuevo paradigma, las ontologías
aparecen como la vía para representar el conocimiento de la Web de forma que se haga
legible y reutilizable por los computadores (Kinshuk & Sabine 2012).
2.8 Conclusiones del capítulo
En este capítulo se presentó y definió los principales elementos que son utilizados en el
desarrollo de la tesis, estableciendo una base conceptual para poder comprender los
elementos que componen el modelo propuesto de la interfaz adaptativa que ofrece
recomendaciones personalizadas de OAs utilizando perfiles de usuario, agentes
inteligentes y ontologías. El siguiente capítulo presenta el estado del arte donde se
analizan y comparan, los trabajos relacionados que tratan temáticas afines al tema de
investigación de esta tesis.
3. Estado del arte
En este capítulo se muestran trabajos de investigación afines a la tesis, donde se
presentarán las fortalezas y debilidades de cada trabajo.
• En la investigación Ghédira et al., (2002) desarrollan una interfaz adaptativa para
una aplicación web, diseñada para la revisión de exámenes médicos de cardiología.
La interfaz aprende del uso que le dan los diferentes doctores que la utilizan y se
adapta a los diferentes usos de cada usuario, una vez la interfaz aprende cuales
son las opciones más utilizadas y las actividades que realiza cada usuario esta crea
un enlace genérico, “Generic link” (ver figura 3-1), el cual es un atajo para poder ir
directamente a una opción de menú ahorrando así, el tiempo que se tendría que
invertir en navegar por el menú de la aplicación. Para poder generar estos enlaces
la interfaz crea un perfil de usuario para cada uno de los médicos que se autentican
en la aplicación.
Otra posibilidad que permite esta interfaz es la creación de un enlace específico
“Specific link” (ver figura 3-1) el cual es un símil de los “Generic link” pero con la
diferencia que estos son definidos por parte del usuario y no tienen nada que ver
con los enlaces que propone la interfaz.
Fortalezas
➢ El sistema identifica las preferencias de usuario mediante el rastreo del uso
de la GUI.
➢ Tienen una representación del conocimiento utilizando XML.
➢ Utilizan un proceso de toma de decisiones, para adicionar opciones en el
enlace tipo genérico.
Debilidades
56 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
➢ La adaptación del sistema es realizada solamente en los enlaces de tipo
genérico sobre el menú desplegable al oprimir el botón derecho del ratón,
el resto de la interfaz es estática o depende de un perfil en la aplicación.
➢ Los enlaces genéricos también pueden tener opciones propuestas por
expertos y no hay distinción con los propuestos por el sistema.
Figura 3-1 Interfaz adaptativa que define enlaces de tipo específico “Specific link” y
genérico “Generic link”. Tomada de (Ghédira et al., 2002).
• En su investigación Letsu-Dake & Ntuen (2009) se centran en evaluar el impacto
de las interfaces adaptativas en sistemas complejos, donde el usuario tiene un
proceso industrial en marcha y se debe poner atención a múltiples variables dentro
del sistema, en la figura 3-2 se muestra la interfaz adaptativa (Adaptive interface
(ADI)) con la que se apoya a los usuarios para monitorear el proceso.
Capítulo 3 57
Figura 3-2 Adaptive interface (ADI). Tomada de (Letsu-Dake & Ntuen, 2009)
La interfaz tiene varias ayudas para el usuario tales como: (1) ayudas textuales, (2)
gráficas del proceso, (3) Identificar y resaltar los componentes defectuosos, (4)
proporcionar advertencias y alertas durante condiciones previstas y reales de fallo,
(5) desplegar gráficamente los estados defectuosos, (6) proponer acciones para
restaurar el sistema a su estado normal de funcionamiento y (7) tomar el control del
sistema mediante la aplicación de medidas correctivas en caso de que usuario no
pueda intervenir.
Para evaluar el efecto de la ADI se comparó el desempeño de los usuarios que la
utilizaban contra otros usuarios que utilizaron una interfaz normal (Non-adaptive
interface (NADI)) al comparar la tasa de detección de fallas en ambos sistemas (ver
figura 3-3), se puede observar que los usuarios con la interfaz adaptativa tenían
una mayor tasa de detección y corrección de errores con un tiempo de interacción
con el sistema muy pequeño, hasta llegar a una tasa cercana al 100%, mientras los
usuarios de la NADI empezaban con una tasa muy pequeña y a medida que pasaba
el tiempo y la interacción con el sistema la tasa aumentaba hasta alcanzar a los
usuarios de la ADI. A continuación, se muestra una gráfica del desempeño de
ambos sistemas
58 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
Figura 3-3 Tasa de detección de errores, NADI vs ADI.
Tomada de (Letsu-Dake & Ntuen, 2009)
Fortalezas
➢ La mejora en el tiempo que les lleva a los usuarios a utilizar correctamente
el sistema, lo cual se refleja en la tasa de detección de errores.
➢ El uso de varias adaptaciones en el sistema.
➢ La detección del estado del sistema para generar alguna de las
adaptaciones.
Debilidades
➢ Las adaptaciones al sistema son fijas y no cambian.
➢ No se tienen perfiles de los usuarios.
➢ El usuario no puede adaptar el sistema a su gusto.
• Park & Han (2011) tratan de validar 4 tipos de diferentes interfaces e intentar unir
los conceptos de adaptatividad y adaptabilidad, también se pretende investigar los
efectos de la ayuda proporcionada por la interfaz y el control de usuario en la
adaptación de los menús. Para validar cada tipo de interfaz se midió el rendimiento
y la satisfacción de los usuarios con cada una de las interfaces; en la figura 3-4 se
Capítulo 3 59
muestran las interfaces utilizadas, también se muestra cuanto interviene el usuario
o el sistema en la modificación de la interfaz.
Figura 3-4 Nivel de adaptación por parte del usuario y del sistema.
Tomada de (Park & Han, 2011)
Por cada interfaz se midió: (1) el tiempo de adaptación del sistema, (2) el tiempo
que se demoraron los usuarios para encontrar una opción específica, (3) la
eficiencia percibida y (4) las preferencias sobre las interfaces. De las métricas
tomadas se pudo determinar que la adaptabilidad y la adaptatividad mejoran
fuertemente el rendimiento, además de la percepción de los usuarios sobre la
eficiencia del sistema; también se muestra que al utilizar la adaptabilidad por parte
de los usuarios se mejora la adaptatividad del sistema y sus tiempos de adaptación.
Como conclusiones obtuvieron lo siguiente:
60 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
• La adaptabilidad es más apropiada que la adaptatividad donde se requiere
robustez a las variaciones.
• El usuario debe ser capaz de controlar la adaptatividad para proteger la
privacidad.
Fortalezas
➢ Reconocimiento de la frecuencia (Perfil de frecuencia) con la que el usuario
utiliza una opción de menú, para lograr la adaptación del sistema.
➢ El usuario puede aceptar o no la adaptación hecha por el sistema.
➢ GUI para celulares.
Debilidades
➢ Solo se adapta el menú en toda la interfaz, lo demás es estático.
➢ No maneja Perfiles de usuario.
➢ No hay una representación del conocimiento.
• Park et al., (2007) investigan cómo validar la efectividad de los menús adaptativos
y adaptables, para esto se estudian 3 tipos de menús, un menú adaptable, un menú
adaptativo separando la posición y el último es un menú adaptativo el cual resalta
las opciones del menú, en la figura 3-5 se muestra los 3 tipos de menús
mencionados.
Del estudio se concluye que la opción preferida por los usuarios es el menú
adaptable dado que es eficiente y tiene las opciones que son preferidas por los
usuarios ya que son ellos quienes realizaron los cambios; el problema que tiene
este tipo de menú es que requiere mucho más tiempo y esfuerzo en su adaptación.
En el segundo puesto se encuentra la interface en la cual el sistema cambia las
opciones del menú para que se encuentren entre las primeras opciones, esta
interface no fue tan eficiente como se esperaba dado que, al cambiar la frecuencia
de selección de las opciones, el rendimiento decae. Por último, se encuentra la
interface que resalta las opciones de menú, ya que no cambia el orden de las
opciones, pero al estar resaltadas se pueden ubicar fácilmente, con el único
Capítulo 3 61
problema que al tener una lista de opciones muy larga se debe realizar scroll a la
lista. En la tabla 3-1 se muestran las ventajas y desventajas que encontraron para
cada tipo de menú.
Figura 3-5 Tipos de menú adaptables: a) Menú adaptable, b) Menú adaptativo con
separación c) Menú adaptativo resaltando las opciones. Tomada de (Park et al., 2007)
Tabla 3-1: Comparación tipos de menú. Tomada de (Park et al., 2007)
Tipo de
menú
Ventajas Desventajas
Tradicional • Fácil de aprender • bajo rendimiento antes de
aprender
62 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
• Insensible a las variaciones
en la frecuencia de selección
• Difícil selección de elementos
frecuentemente utilizados
Adaptable • Fácil de seleccionar los
elementos
• Insensible a las variaciones
en frecuencia de selección
• Preferido por los usuarios
• Se requiere de un esfuerzo por
parte del usuario
Adaptativo
separador
• Fácil de seleccionar los
elementos (dependiendo de
la frecuencia de selección)
• Preferido por los usuarios
(eficiencia, preferencia)
• Fácil de seleccionar
elementos frecuentemente
seleccionados
• La confusión y la degradación
del rendimiento cuando cambia
la frecuencia de selección
• Difícil para seleccionar
elementos con poca frecuencia
de selección
Adaptativo
resaltado
• Relativamente insensible a
las variaciones en la
frecuencia de selección
• Fácil de encontrar elementos
seleccionados con frecuencia
• Difícil de encontrar elementos
con poca frecuencia de
selección
Fortalezas
➢ Reconocimiento de la frecuencia (Perfil de frecuencia) con la que el usuario
utiliza una opción de menú, para lograr la adaptación del sistema.
➢ Se diferencia que cada menú puede ser mejor que otro en ciertas ocasiones.
Capítulo 3 63
➢ Se maneja diferentes tipos de menú mezclando menús adaptables y
adaptativos.
Debilidades
➢ Solo se adapta el menú en toda la interfaz, lo demás es estático.
➢ No maneja Perfiles de usuario.
➢ No hay una representación del conocimiento.
• Shakshuki et al., (2015a) en su investigación proponen un modelo de interfaz
adaptativa, el cual monitorea y comparte métricas de salud (pulso, oxígeno en la
sangre, etc.) de usuarios en específico, todos esos datos pueden ser visualizados
por un doctor para llevar un control del estado de los pacientes. El sistema consta
de un sensor corporal (BASN) cuya meta principal es recolectar la mayor cantidad
de información sobre el cuerpo del paciente, un dispositivo coordinador (se asume
que es un celular en la investigación) el cual se encarga de recibir los datos del
BASN y enviarlos hacia el SMA. El SMA contiene un agente usuario (UA) cuya
función es interactuar como interfaz para los usuarios y un agente de recurso (RA)
el cual está encargado de almacenar los datos entregados por el UA y realizar
búsquedas de los datos históricos que hay en el sistema.
El UA mediante aprendizaje por refuerzo se enfoca en aprender el uso que cada
usuario le da a la interfaz, por ejemplo, si un usuario con problemas motrices, falla
repetidamente al tratar de oprimir un botón en la interfaz el sistema puede inferir
que está tratando de hacer el usuario y aumentar el tamaño de dicho botón para
que sea más fácil oprimirlo. En la figura 3-6 se muestra el caso de uso del sistema
cuando interactúa con un paciente, se muestran también los agentes del SMA y
varios componentes del sistema.
Fortalezas
➢ Utiliza un SMA para poder interactuar con la GUI y poder adaptarla.
➢ Se pueden adaptar varios aspectos de la GUI.
64 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
➢ Utiliza los perfiles de usuario para mantener un registro de las preferencias
de los usuarios.
Figura 3-6 Caso de uso para escenario de un usuario enfermo que observa los datos del
sistema. Tomada de (Shakshuki et al., 2015a)
Debilidades
➢ No hay un sistema de representación del conocimiento.
➢ El modelo no presenta opciones al usuario para adaptarlo o cambiar la
adaptación hecha por el sistema.
• En su investigación Jorritsma et al., (2015) estudian el impacto que tiene una
interfaz de soporte adaptativa en un entorno natural de trabajo, el soporte
adaptativo se entregaba en forma de sugerencias personalizadas, basadas en el
comportamiento de cada usuario. La interfaz esta aplicada en un sistema para la
lectura de imágenes de radiología (PACS), la parte adaptable de la interfaz consta
de una pestaña “My tab” ubicada en la barra de herramientas y un menú
Capítulo 3 65
desplegable cuando se oprime el botón derecho del mouse, ambas opciones se
muestran en la figura 3-7. En ambas opciones el usuario puede agregar opciones
de menú para poder acceder a ellas mucho más rápidamente, además el sistema
puede sugerir opciones para agregar, nunca agregar por si solo una opción a
alguno de los componentes. Para probar el sistema midieron cuanto tiempo se
demoraba un usuario en realizar la lectura de una imagen con el sistema de ayuda
y sin el sistema de ayuda.
Figura 3-7 GUI sistema PACS. Tomada de (Jorritsma et al., 2015a)
Fortalezas
➢ Utiliza los perfiles de usuario para mantener un registro de las preferencias
de los usuarios (Se mide el uso de cada opción).
➢ Pueden habilitar o deshabilitar las características adaptables del menú.
Debilidades
➢ Solo es adaptable una pequeña parte del menú.
66 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
➢ No hay un sistema de representación del conocimiento.
• Shakshuki et al., (2015b) proponen un SMA designado a recolectar información
acerca de la salud de un paciente, a dichos datos podrán acceder tanto los
pacientes como el doctor asignado. Para la GUI proponen un sistema para
personas con problemas visuales tales como visión borrosa, daltonismo (Ceguera
de color), sensibilidad al contraste, etc. La GUI contiene un botón el cual al ser
oprimido lentamente empieza a cambiar las tonalidades de los colores en la
interfaz, con el tiempo el agente de la interfaz aprende cuales son los ajustes
óptimos para que el usuario pueda interactuar perfectamente con el sistema, en la
figura 3-8 se muestra el cambio que realiza el sistema a la interfaz al quitar los
colores de la aplicación.
Figura 3-8 GUI mostrando información cardiaca (A) antes y (B) después de la adaptación. Tomada de (Shakshuki et al., 2015b)
Capítulo 3 67
Fortalezas
➢ Utiliza un SMA para poder interactuar con la GUI y poder adaptarla.
➢ Se pueden adaptar varios aspectos de la GUI.
➢ Utiliza los perfiles de usuario para mantener un registro de las preferencias
de los usuarios.
Debilidades
➢ No hay un sistema de representación del conocimiento.
➢ El modelo no presenta opciones al usuario para adaptarlo o cambiar la
adaptación hecha por el sistema.
• Ravi et al., (2015) en su investigación crearon una interfaz adaptativa para un curso
online masivo y abierto (MOOC), en la cual se adapta la interfaz según una
clasificación que se le realiza a los profesores, estos son categorizados en 4 grupos
dependiendo de sus competencias en computación los cuales son: (1) Usuario
experto, (2) Usuario con buen conocimiento, (3) Usuario con conocimientos
intermitentes y (4) usuario novato. Para lograr esto el sistema recolecta información
del usuario cuando está creando el/los curso(s). En la figura 3-9 se puede ver la
diferencia entre una interfaz para un usuario novato (La interfaz contiene opciones
muy básicas) y la interfaz para un usuario experto (Existen muchas más opciones).
Figura 3-9 Interfaz usuario novato vs usuario experto. Tomada de (Ravi et al., 2015)
68 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
Para validar el modelo se comparó el rendimiento de los usuarios para crear un
MOOC utilizando esta interfaz adaptativa (grupo G2) con otro sistema (grupo G1),
en la figura 3-10 se puede observar la comparación entre el tiempo que se demora
un usuario para crear un MOOC en ambos grupos de usuarios.
Figura 3-10 Tiempo utilizado para crear un MOOC. Tomada de (Ravi et al., 2015)
Fortalezas
➢ El sistema puede adaptar la GUI según el nivel de cada usuario.
Debilidades
➢ No hay un sistema de representación del conocimiento.
➢ El usuario no puede adaptar la GUI o cambiar la adaptación hecha por el
sistema.
➢ Las adaptaciones del sistema siempre son las mismas, según el nivel
usuario.
• Salazar (2015), en su investigación desarrolla un modelo de Sistema Multi-Agente
(SMA) de e-learning ubicuo, adaptativo y sensible al contexto basado en ontologías,
para ofrecer recomendaciones personalizadas de OA llamado SMArt CVA. El
sistema está basado en un servidor Windows y toda la interfaz fue desarrollada
para la plataforma de ANDROID, en SMArt CVA se lleva registro de todas las
Capítulo 3 69
actividades que ha realizado un usuario dentro del sistema, además el sistema es
capaz de adaptar los OA que se le presentan a los usuarios
Fortalezas
➢ Utiliza un SMA para poder interactuar con la GUI.
➢ Utiliza ontologías para la recolección de datos de los usuarios.
➢ Planifica cursos virtuales en dispositivos móviles.
Debilidades
➢ El sistema no puede adaptar la interfaz.
➢ El usuario no puede realizar una adaptación a la interfaz.
• Xue et al., (2015) crearon una interfaz adaptativa para vehículos, la cual se basa
en: (1) perfil de usuario (está compuesto por el nivel de educación, relaciones
sociales y otras características), (2) información del comportamiento del conductor
y (3) su estado mental, con estos datos recolectados el objetivo de la interfaz es
entregar la información correcta en el momento correcto. Los elementos que
componen la interfaz, su distribución y la visualización del texto afectan el
rendimiento de los usuarios. Para validar la interfaz realizaron un experimento en
el cual cambiaban los anteriores elementos y se observó el tiempo de reacción y el
porcentaje de reacciones correctas.
Fortalezas
➢ Se utilizan perfiles de usuario.
➢ Utilizan un modelo de dominio
➢ Utilizan un modelo de comportamiento
Debilidades
➢ No hay un sistema de representación del conocimiento.
➢ El usuario no puede adaptar la interfaz solo el sistema.
70 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
• Evans et al., (2013) proponen un sistema con una interfaz adaptativa para
supervisar el estado de aeronaves pilotadas remotamente (RPA), en la figura 3-11
se muestra la estación de trabajo de un piloto, en las pantallas hay información
como: puntos de referencias, rutas, velocidad, altitud entre otras, todas ellas
representan el estado actual del RPA. Cada operario puede estar encargado de
varios RPA los cuales puede observar desde su estación de trabajo. El sistema
aprende de las interacciones con los pilotos a través de diferentes entradas como
lo son el teclado, el mouse y en algunas ocasiones reconocimiento de voz y de
imágenes. Un ejemplo de cómo la interfaz puede ayudar al piloto a mantener todo
bajo control, son los problemas de congelamiento que pueden sufrir las aeronaves
en esos momentos el sistema puede realizar recomendaciones visuales y/o
auditivas, también puede tomar el control del RPA para cambiar la altitud, la
velocidad o la ruta y así con estos cambios lograr deshacer el hielo que se está
formando en la aeronave.
Figura 3-11 Estación de trabajo de un piloto de RPA. Tomada de (Evans et al., 2013)
Capítulo 3 71
3.1 Síntesis de Trabajos Relacionados
A continuación, se presenta una tabla comparativa de los trabajos relacionados
anteriormente con las temáticas de la tesis como lo son las interfaces adaptativas,
interfaces adaptables, sistemas de recomendación, estilos de aprendizaje, perfiles de
usuario, la tabla 3 -1 compara dichos trabajos a través de las características más
relevantes utilizadas en estas temáticas, el ícono indica que los autores incluyen la
característica mencionada, el ícono que no se incluye y el ícono que no se pudo
identificar o no se expresó claramente la existencia de la característica.
Tabla 3-2: Comparación artículos relacionados con el trabajo de investigación.
Articulo relacionado
Número de
elementos
adaptables
Sistema de
recomen-
dación
Perfiles de
usuario
Estilos de
aprendizaje SMA Ontologías
Interfaz
adaptable
Interfaz
adaptativa
Ghédira et al., (2002)
Letsu-Dake & Ntuen
(2009)
Park & Han (2011)
Park et al., (2007)
Shakshuki et al.,
(2015a)
Salazar (2015)
Jorritsma et al., (2015)
Shakshuki et al.,
(2015b)
Ravi et al., (2015)
Xue et al., (2015).
Evans et al., (2013)
Rodríguez (2013)
3.2 Conclusiones del capítulo
La revisión del estado del arte nos permite observar que hay mucha investigación sobre la
temática de interfaces adaptativas, con grandes fortalezas y evidencias del impacto que
estas pueden tener en un sistema; esto ayuda a aclarar los avances y el camino que ha
tenido esta línea de investigación. A pesar de esto, la mayoría de estas investigaciones se
centran solo en la interfaz gráfica de usuario con la limitante de no proveer otras
metodologías y/o enfoques que son centradas en el perfil del usuario, algunas de estas
metodologías y/o enfoques son: (1) las ontologías, (2) SMA y (3) la adaptabilidad.
En el siguiente capítulo se propone un modelo de interfaz adaptativa para
recomendaciones personalizadas de objetos de aprendizaje utilizando perfiles de usuario,
agentes inteligentes y ontologías. Con este modelo se busca potencializar el efecto de las
interfaces adaptativas cubriendo las limitaciones que han tenido este tipo de sistemas.
4. Modelo propuesto
En este capítulo se desarrolla la conceptualización del modelo de interfaz adaptativa para
recomendaciones personalizadas de objetos de aprendizaje utilizando perfiles de usuario,
agentes inteligentes y ontologías. Se presentará el modelamiento de los conceptos de los
cuales está compuesto el modelo, tales como: la interfaz adaptativa, el perfil de usuario, el
sistema de recomendación, la ontología y el SMA, para finalizar con la integración de todos
los componentes del modelo.
4.1 Interfaz gráfica de usuario
Teniendo en cuenta los conceptos sobre comunicación entre usuarios y sistema, los cuales
fueron presentados en el capítulo 2 (en las secciones 2.1 y 2.2) la comunicación entre
usuarios y el sistema es mayormente basada en interfaces graficas de usuario (GUI), el
cual es el puente entre ambos (Letsu-Dake & Ntuen, 2009). Estas permiten a los usuarios
interactuar con el sistema mediante componentes gráficos como etiquetas, campos de
texto, botones, imágenes, indicadores visuales entre otros (Kollar, 2003).
La GUI propuesta en esta investigación (ver figura 4-1) está basada en agentes los cuales
estarán encargados de realizar las adaptaciones de la interfaz (e.g. cambiando la posición,
los tamaños de los paneles que la componen y agregando los OA recomendados) basados
en los datos almacenados en el perfil de cada usuario. El usuario activo en el sistema (se
refiere al usuario que está interactuando con el sistema) también tiene la capacidad de
modificar la interfaz a su gusto tanto en posición como en tamaño de los diferentes paneles.
La interfaz está compuesta de cinco paneles, cada panel tiene una función específica que
se detalla a continuación:
1. Panel de Menú: En este panel se agrupan varias opciones para realizar algunas
tareas como (cambiar el OA desplegado, Buscar OA, etc).
76 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
2. Panel de búsqueda: La función de este panel es realizar búsquedas simples de
OAs.
3. Panel de contenido: Este panel está enfocado en mostrar los OA que el usuario ha
seleccionado.
4. Panel de notas: Este panel fue diseñado para que el estudiante pueda tomar
apuntes de lo que se ha aprendido mientras estudiaba el contenido de los OA.
5. Panel de repositorios: La función de este panel es permitir un acceso rápido a
diferentes repositorios, permitiendo a los estudiantes acceso a otros OA que no hay
en el sistema.
Figura 4-1 GUI del modelo propuesto. Fuente: Autoría propia.
4.2 Perfil del usuario
Los perfiles de usuario son un conjunto de información que permiten modelar los intereses
y preferencias de un usuario y así poder predecir sus intenciones (Alaoui et al., 2015). Tal
como se evidenció en el marco teórico (capítulo 2) la base para poder recomendar OAs,
es el perfil del usuario, el cual contendrá las características personales, preferencias,
gustos, historial de búsquedas, estilo de aprendizaje entre otros datos de los usuarios.
Para poder organizar toda esta información es necesario tener un modelo, dicho modelo
se puede observar en la figura 4-2, la cual muestra todas las características que se
Capítulo 4 77
definieron para el modelo del perfil del usuario, algunas de estas características fueron
identificadas en el marco teórico (Alaoui et al., 2015), (D’Agostino et al., 2005), (Duque,
2009), (Rodríguez, 2013), (Salazar, 2015).
Figura 4-2 Modelo propuesto Perfil del usuario. Fuente: Autoría propia.
Como se puede observar en la figura 4-2 el perfil del usuario que se propone consta de 5
elementos
1. Datos personales: Están compuestos por: (1) Doc ID,(2) Nombre,(3) Apellidos,
(4) Dirección,(5) Teléfono,(6) Edad,(7) Sexo,(8) Email,(9) Usuario y(10)
Contraseña, los cuales serán almacenados en el sistema y con ellos se identificará
a cada usuario de forma única, lo cual es necesario para poder realizar las
adaptaciones a la GUI del modelo propuesto.
2. Estilo de aprendizaje: Consta de las siguientes dicotomías: (1) Secuencial / Global,
(2) Activo / Reflexivo, (3) Inductivo / Deductivo, (4) Visual / Auditivo, (5) Sensitivo /
Intuitivo, el SR tendrá en cuenta esta información para poder entregar los OAs
adaptados a su estilo de aprendizaje.
78 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
3. Historial: Contendrá información de las búsquedas que ha realizado cada
estudiante, los OA utilizados en cada tema de estudio y la distribución de la GUI en
cada caso.
4. GUI: En este ítem se tiene identificada la distribución de la interfaz gráfica utilizada
por cada uno de los OA que ha seleccionado el estudiante, esta información será
primordial para el funcionamiento de la interfaz adaptativa.
5. Preferencias: Contendrá información relacionada con los temas de los OAs que ha
seleccionado el usuario, los formatos que más utiliza (PDF, PNG, PPT, etc) y el/los
idiomas de los OAs, toda esta información también alimentará al SR.
Cuando un estudiante ingrese por primera vez al sistema se le realizará un cuestionario
con el fin de poder identificar información importante y así poder empezar a alimentar el
perfil del usuario con datos como: (1) el estilo de aprendizaje y (2) datos personales.
Toda la información del perfil de usuario también será tomada en cuenta para la
funcionalidad de adaptatividad de la GUI del sistema, la cual se enfocará en los datos
almacenados en los ítems del 2 al 5 de la lista de elementos que componen el perfil del
usuario.
4.3 Sistema de recomendación (SR)
Como se enunció en la sección 2.3, los sistemas de recomendación ayudan a los usuarios
a encontrar un contenido adicional relevante al que se está buscando (Park et al., 2012).
En entornos de e-learning los SR son utilizados para resolver el problema de la sobrecarga
de información al recomendar OAs a los usuarios que se adapten a sus necesidades
(Sanjuán et al., 2009). El modelo que se propone en esta tesis para la recomendación de
OAs se puede observar en la figura 4-3, el cual tendrá como insumo principal el modelo
del perfil del usuario.
Capítulo 4 79
Figura 4-3 Modelo de SR propuesto basado en (Rodríguez, 2013).
A continuación, se describe los elementos de los que estará compuesto el SR propuesto
(se pueden observar en la figura 4-3):
4.3.1 Perfiles de usuario
Este elemento del SR corresponde a todos los perfiles de usuario que existen en el
sistema, excluyendo al perfil del usuario que está autenticado en el sistema, se tendrá en
cuenta las preferencias, el historial y el estilo de aprendizaje (deberán tener similitudes con
el usuario activo, especialmente en el estilo de aprendizaje) para poder realizar
recomendaciones.
4.3.2 Perfil de usuario activo
Este elemento se refiere a la descripción del usuario activo y todas las características que
lo componen; también es a quien se le mostrarán los OAs y los resultados de las
recomendaciones. Como se menciona al inicio de este capítulo, la información personal es
obtenida a través de un formulario de registro, y al mismo tiempo se determinará el estilo
de aprendizaje. Cabe señalar que las preferencias se obtienen a partir de los OAs
previamente seleccionados y la distribución realizada sobre los paneles de la GUI por el
usuario activo.
80 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
4.3.3 Recomendación por filtrado colaborativo
Las recomendaciones basadas en este tipo de filtrado, busca OAs que otros usuarios con
un perfil similar al del usuario activo han seleccionado. Para representar la similitud se
tendrá en cuenta: (1) los usuarios tengan el mismo estilo de aprendizaje, (2) los usuarios
con búsquedas realizadas sobre el mismo tema, (3) usuarios que tengan preferencias
similares (ver figura 4-1, formato de OA, tema, idioma) al del usuario activo.
4.3.4 Recomendación por filtrado basado en conocimiento
El filtrado basado en conocimiento, hace recomendaciones buscando OAs similares a los
que el usuario seleccionó en el pasado. Para esto, primero se realiza un proceso de filtrado
de los OAs realizando búsquedas por los metadatos: título, descripción y palabras clave
de cada OA a recomendar; se calcula entonces la similitud por estos tres campos y
después se realiza el cálculo de lo similitud global, que es entendida como la sumatoria de
las similitudes individuales por metadatos; la medida de similitud utilizada es el coeficiente
de overlap, ya que se ha utilizado en experiencias previas del grupo de investigación
(Rodríguez, 2013).
Coeficiente de Overlap
Una medida de similitud permite detectar si una cadena Q es parecida, similar o semejante
a una D. El coeficiente de Overlap, es una medida de similitud, la cual calcula el grado de
superposición entre dos cadenas realizando la intersección entre las cadenas que se van
a comparar y divide sobre la cantidad de términos menor de las dos cadenas, como se
aprecia en la siguiente fórmula (Rodríguez, 2013).
𝑂𝑣𝑒𝑟𝑙𝑎𝑝 =|𝑄 ∩ 𝐷|
min(|𝑄|, |𝐷|)
Este coeficiente indica en la escala entre 0 y 1 el nivel de similitud donde 1 indica similitud
y 0 que no son similares.
4.3.5 Recomendación por filtrado basado en contenido
Este tipo de recomendación está basado en el perfil del usuario, para poder realizar el
filtrado se plantea utilizar los metadatos de la categoría Educational del estándar IEEE-
LOM, para determinar si el OA es pertinente (basado en sus metadatos) para un estilo de
Capítulo 4 81
aprendizaje se pone un 1 o un 0 en las intersecciones en la tabla 1-1, en esta tabla se
muestra la relación que proponen Duque et al (2016) entre el estándar IEEE-LOM y los
estilos de aprendizaje. En los repositorios de objetos de aprendizaje se realizó un estudio
(Duque et al., 2016), (Rodríguez, 2013) de los metadatos que utilizan y se propuso que se
puede utilizar los siguientes metadatos de la categoría Educational:
• Tipo de recurso de aprendizaje (LearningResourceType): los posibles valores que
se pueden guardar son: “ejercicio, simulación, cuestionario, diagrama, figura,
gráfico, índice, diapositiva, tabla, texto narrativo, examen, experimento,
planteamiento de problema, autoevaluación, conferencia. Para abarcar el estilo de
aprendizaje auditivo, se amplió este metadato a tipos de recurso audio, video y
animación” (Rodríguez, 2013).
• Nivel de interactividad (InteractivityLevel): “La interactividad en este contexto se
refiere al grado en el que el aprendiz puede influir en el aspecto o comportamiento
del objeto educativo. El nivel de interactividad puede ser bajo, medio, alto y muy
alto” (Rodríguez, 2013).
• Tipo de interactividad (InteractivityType): “El tipo de aprendizaje predominante
soportado por este objeto educativo. El tipo de interactividad puede ser: Activo
(aprendizaje participativo) donde se realice algún tipo de actividad productiva.
Expositivo (aprendizaje pasivo) se muestra información al aprendiz sin solicitar de
éste ningún tipo de acción. Cuando un objeto educativo mezcla los tipos activo y
expositivo, entonces su nivel de interactividad será mixto” (Rodríguez, 2013).
• Descripción (Description): “Comentarios sobre cómo debe utilizarse este objeto
educativo. En este metadato se puede extraer información valiosa para hacer una
recomendación” (Rodríguez, 2013).
• Idioma (Language): “El idioma utilizado por el destinatario típico de este objeto
educativo” (Rodríguez, 2013).
4.3.6 Entrega resultados SR
Los resultados de las búsquedas realizadas con el SR propuesto, se entregarán ordenados
según los siguientes criterios, (1) Si ya existen búsquedas previas (recomendaciones
82 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
anteriores) estas estarán en primer lugar, (2) los OAs que identifiquen los 2 o más de las
metodologías de recomendación y por último (3) se muestran los resultados que solamente
entrega 1 de las metodologías de recomendación. Como propone Rodríguez, (2013) si el
sistema apenas se está inicializando o no existen muchos usuarios con perfiles similares
al del usuario activo no se realizará recomendaciones por filtrado colaborativo ya que no
habría una buena base de información para realizar la recomendación.
4.4 Arquitectura del SMA
Para el desarrollo del sistema multi-agente se utiliza la metodología Prometheus, la cual
está basada en el paradigma orientado a agentes, además de contar con todas las
características que deberían tener los agentes, los cuales se describieron en la sección
2.6 (Autonomía, Cooperación, Coordinación, Reactividad, Proactividad, Movilidad,
Adaptabilidad, Veracidad, Paralelismo, Deliberación, Flexibilidad, Robustez.). Para el
desarrollo del SMA se utiliza la herramienta Prometheus Design Tool (PDT) (Lin et al.
2008). En la figura 4-4 se puede observar los elementos que se utilizan en PDT.
Figura 4-4 Entidades utilizadas en PDT. Fuente: Autoría propia.
4.4.1 Especificación del sistema
En esta fase se especifican los objetivos del sistema; la interfaz del sistema es descrita en
términos de acciones, percepciones e información externa. En esta fase se elaboró el
escenario en el cual se desenvolverá el SMA, la forma en la que se comunicarán los
agentes y los protocolos para la interacción entre ellos.
En el sistema propuesto en esta investigación solo existe un actor (los actores son entes
que tienen relación con el SMA tanto interna como externa) el cual es el estudiante que
Capítulo 4 83
está activo en el sistema, a partir de las interacciones de este actor con el sistema, se
dispararan las acciones que cada agente debe de realizar.
En la figura 4-5 se muestra un escenario general del funcionamiento del sistema que
exhibe la funcionalidad de la adaptatividad de la interfaz gráfica; en este escenario existen
las siguientes formas para que se ejecute un cambio en la GUI:
1. El usuario busca un OA y según el formato del OA, las preferencias del propio
usuario y otros usuarios con el mismo estilo de aprendizaje el sistema le propone
una distribución de la interfaz.
2. El usuario activo adapta la GUI, lo cual activa que el sistema registre dicho cambio,
de esa forma se puede tener en cuenta en las próximas adaptaciones propuestas
por el sistema.
Figura 4-5 Escenario del SMA en el cual el sistema puede adaptar la GUI.
Fuente: Autoría propia.
La figura 4-6 presenta el diagrama de objetivos que debe cumplir el sistema en el escenario
de adaptación de la GUI; los objetivos están organizados en forma jerárquica para poder
observar todos los objetivos que se deben realizar para lograr que la interfaz adaptativa
funcione correctamente. Las líneas continuas representan los objetivos de los que
84 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
depende el objetivo superior y las líneas puntuadas son objetivos que se deben de cumplir
en secuencia para el correcto funcionamiento del sistema.
Figura 4-6 Diagrama de objetivos para el escenario de adaptación de la GUI.
Fuente: Autoría propia.
A partir de los objetivos se definen las funcionalidades que debe realizar el sistema para
poder cumplir con el correcto desempeño del prototipo. Dichas funcionalidades se pueden
representar en el modelo de roles que define la metodología Prometheus, algunos de los
roles que se definieron son:
• Creación del perfil de usuario
• Adaptatividad de la GUI
• Búsqueda OA
4.4.2 Diseño de la arquitectura
El propósito de esta fase es identificar los agentes agrupándolos por su funcionalidad,
describir las interacciones entre los agentes del sistema a través de mensajes y protocolos
de comunicación entre otros (Salazar, 2015). Lo más importante en un sistema son las
fuentes de información, para el modelo propuesto hay 3 fuentes de información (1) una
ontología, (2) el repositorio de los OAs y (3) la base de datos donde se encuentran los
perfiles de usuario. Para observar cómo fluye la información en la figura 4-7 se muestra
Capítulo 4 85
cómo interactúan las fuentes de datos del sistema con los diferentes roles que se
identificaron anteriormente.
Figura 4-7 Diagrama de acoplamiento de datos. Fuente: Autoría propia.
En la figura 4-8 se muestra como es la relación entre los roles y los agentes, el agente de
GUI, está encargado de recibir casi todas las peticiones del sistema y como se muestra en
la figura 4-9 este canaliza la información a los demás agentes.
Figura 4-8 Diagrama de roles vs agentes. Fuente: Autoría propia.
86 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
Para poder llevar a cabo todas las funciones que debe realizar el sistema, se definió tener
5 agentes para el SMA, cada agente estará encargado de una función específica la cual
apunta a lograr alguno de los objetivos que se definieron en la figura 4-6.
A continuación, se especifican los agentes que componen el sistema (ver figura 4-9):
• Agente de búsqueda: este agente está encargado de realizar la búsqueda de los
OA que el usuario ingresa en la barra de búsquedas (ver figura 4-1 panel de
búsquedas), en caso de encontrar un OA con el nombre que el usuario se
especificó dicho OA es descargado al equipo del usuario (en caso de que el usuario
lo quiera ver y no tenga conexión a internet) y desplegado en el panel de contenido
(ver figura 4-1). En el caso de no encontrar el OA especificado, en el panel de
contenido se mostrará una lista de OA que son entregados por los agentes del SR.
• Agente SR Filtrado Colaborativo: este agente entrega las recomendaciones
basadas en filtrado colaborativo, el cual busca OAs que otros usuarios con un perfil
similar al del usuario activo han seleccionado. Para representar la similitud se
tendrá en cuenta: (1) los usuarios tengan el mismo estilo de aprendizaje, (2) los
usuarios con búsquedas realizadas sobre el mismo tema, (3) usuarios que tengan
preferencias similares (ver figura 4-1, formato de OA, tema, idioma) el mismo
formato de OA que el usuario activo.
• Agente SR Filtrado Conocimiento: Es el agente encargado de realizar el filtrado
basado en conocimiento, este agente se basa en la información registrada en el
elemento historial del perfil del usuario (capítulo 4.2), se hacen recomendaciones
buscando OAs similares a los que el usuario seleccionó en el pasado utilizando los
metadatos: título, descripción y palabras clave de cada OA a recomendar.
• Agente SR Filtrado Contenido: Se encarga de la recomendación basada en
contenido la cual utiliza la información guardada en el perfil del usuario, acerca del
estilo de aprendizaje. Para poder realizar el filtrado se utilizará los metadatos de la
categoría Educational del estándar IEEE-LOM, y así determinar si el OA es
pertinente para un estilo de aprendizaje (observar la tabla 1-1 para ver la relación
que proponen Duque et al (2016) entre el estándar IEEE-LOM y los estilos de
aprendizaje).
Capítulo 4 87
• Agente de GUI: Uno de los objetivos de este agente es identificar los cambios que
el usuario activo en el sistema realiza sobre la GUI, al realizar estos cambios el
agente guarda la nueva distribución incluyendo información sobre el OA que está
desplegado en el caso de que haya uno. El otro objetivo es ofrecerle al usuario una
adaptación de la GUI cuando el usuario encuentra un OA y este panel está
desplegado en el panel de contenido (ver figura 4-1).
Para terminar la fase de diseño de la arquitectura se creó un diagrama general del SMA el cual está plasmado en la figura 4-9 en la
cual se puede observar cómo interactúan todos los elementos y el flujo de información del sistema.
Figura 4-9 Vista general del SMA. Fuente: Autoría propia.
4.4.3 Diseño detallado
Durante la fase de diseño detallado se especifica la arquitectura interna de cada agente
según la metodología Prometheus basada en los siguientes componentes: percepciones,
acciones, planes, capacidades y acceso a fuentes de información. Para el razonamiento
de los agentes se utilizaron inferencias a partir de la ontología propuesta en secciones
previas.
En la figura 4-10 se puede observar la arquitectura interna del agente de GUI, sus
capacidades, los accesos a fuentes de información (el acceso a los perfiles de usuario y el
acceso a la ontología para poder proponer las adaptaciones de la GUI) y los mensajes que
envía el agente cuando se realiza una búsqueda de OA.
Figura 4-10 Diagrama del agente de GUI, exhibiendo dos capacidades.
Las capacidades del agente de GUI (Recomendar GUI y Solicitud de búsqueda de OA) se
descomponen en planes, los cuales son los que llevan a cabo las tareas para poder cumplir
con las funciones de cada agente.
En la figura 4-11 y la figura 4-12 se pueden observar los diagramas de capacidades del
agente de GUI y cuáles son los planes que debe ejecutar el agente para cumplir con sus
funciones.
90 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
Figura 4-11 Diagrama de capacidades “Solicitud de búsqueda de OA” del agente de GUI.
Figura 4-12 Diagrama de capacidades “Recomendar GUI“ del agente de GUI.
Capítulo 4 91
En la figura 4-13 se puede observar la arquitectura interna del agente de búsqueda y en
las figuras 4-14 y 4-15 se muestra los diagramas de capacidades de este agente
Figura 4-13 Diagrama del agente de búsqueda, exhibiendo dos capacidades.
Figura 4-14 Diagrama de capacidades “Búsqueda de OA” del agente de búsqueda.
92 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
Figura 4-15 Diagrama de capacidades “Solicitar recomendaciones de OA” del agente de búsqueda.
A continuación, en las figuras 4-16 a 4-18 se puede examinar los diagramas de
capacidades de los agentes que realizan las recomendaciones del sistema.
Figura 4-16 Diagrama de capacidades “Recomendación filtrado basado en conocimiento” del agente SR filtrado basado en conocimiento.
Capítulo 4 93
Figura 4-17 Diagrama de capacidades “Recomendación filtrado basado en contenido” del agente SR filtrado basado en contenido.
Figura 4-18 Diagrama de capacidades “Recomendación filtrado colaborativo” del agente SR filtrado colaborativo.
94 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
4.5 Representación ontológica de los elementos caracterizados
Actualmente existen numerosas metodologías para el desarrollo e implementación de
ontologías las cuales proporcionan una gama de herramientas que permiten representar
el conocimiento (Salazar, 2015). La metodología seleccionada para crear la ontología en
esta tesis es: Methontology (Fernández-López et al, 1997), la cual proporciona unas guías
para el desarrollo e implementación de la ontología a través de las siguientes etapas (ver
figura 4-10):
Figura 4-19 Proceso de desarrollo Methontology. Tomada de (Salazar, 2015)
A continuación, se detallan cada una de las fases de la metodología Methontology utilizada
para crear la representación del conocimiento acerca de la GUI, caracterizando cada uno
de los paneles (en tamaño y posición) y la información del OA que se muestra en el panel
de contenido.
4.5.1 Fase de especificación
La actividad de especificación considera la definición del alcance, los objetivos (por qué se
construye la ontología), el propósito (cuál será su uso) y los usuarios finales de la ontología
(Ramos & Nuñez, 2007) (Berners-Lee, 2001)
• Alcance: La ontología tiene como alcance el generar una propuesta de distribución
para la GUI, considerando el OA y el perfil del usuario.
• Objetivos:
Capítulo 4 95
➢ Diseñar una estructura semántica para la construcción de una ontología
para adaptar la interfaz.
➢ Describir los conceptos que definen el perfil del usuario
➢ Definir las reglas para proponer las distribuciones de la GUI que la ontología
va a inferir.
• Usuarios: Los usuarios finales de la ontología serán los estudiantes que podrán
acceder al sistema y a la interfaz adaptativa proporcionada a partir de las
inferencias de la ontología.
4.5.2 Fase de conceptualización
“La fase de conceptualización comprende el organizar y convertir una percepción informal
de un dominio en una especificación semi-formal, usando un conjunto de representaciones
intermedias (tablas, diagramas) que puedan ser entendidas por los expertos del dominio y
los desarrolladores de ontologías” (Ramos & Nuñez, 2007). Methontology distribuye los
objetivos de esta fase en 11 tareas, las cuales se presentan en la figura 4-11.
• Tarea 1: Construcción del glosario de términos
Esta tarea ayuda a definir todos los conceptos asociados al dominio que se quiere
representar con la ontología. El dominio se refiere a los términos y/o vocabulario
utilizado en la tesis, todos estos términos se encuentran recopilados a continuación en
la tabla 4-1.
Tabla 4-1 Glosario de Términos de la ontología
Categoría Concepto
GUI Panel
Perfil de usuario
GUI DB
Preferencias
Historial
Estilo de aprendizaje
Panel OA
96 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
Figura 4-20 Tareas de la fase de conceptualización de Methontology.
Tomado de (Corcho et al. 2005)
• Tarea 2: Construcción de la taxonomía de conceptos
La taxonomía de los conceptos define una estructura de representación jerárquica
de los conceptos identificados en la tarea anterior. La figura 4-12 presenta dicha
taxonomía en la cual se integran los conceptos referentes a la GUI y los perfiles de
usuario.
Capítulo 4 97
Figura 4-21 Taxonomía de conceptos de la ontología. Fuente: Autoría propia.
• Tarea 3: Construcción del diagrama de relaciones binarias
Este diagrama presenta las relaciones entre los conceptos mapeados en la
taxonomía de la tarea anterior (ver figura 4-13). Estas relaciones permiten
identificar en la fase de implementación las propiedades entre objetos que serán
especificadas posteriormente.
Figura 4-22 Diagrama de relaciones binarias. Fuente: Autoría propia.
98 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
• Tarea 4: Construcción del diccionario de conceptos
En el diccionario de conceptos se incluye el vocabulario basado en la ontología,
todos los conceptos de los atributos de clases y las relaciones de cada concepto.
Para llevar a cabo esta tarea fue necesario mapear los conceptos a clases e
identificar los atributos de cada una de estas (ver tabla 4-2).
Tabla 4-2 Diccionario de conceptos
Clase Atributos de clase Relaciones
GUI ID - Tiene - Pertenece a
Panel
Height Width Position X Position Y OA
- Tiene - Pertenece a
Estudiante ID - Tiene
Perfil de usuario
Estilo de aprendizaje GUI BD Preferencias Historial
- Tiene - Pertenece a
OA Formato OA - Tiene
- Pertenece a
• Tarea 5: Descripción de las relaciones binarias en detalle
En esta tarea se detalla las relaciones existentes en el vocabulario ontológico,
también tiene como objetivo detallar las relaciones entre los conceptos y establecer
las relaciones inversas presentes en la ontología. Debido a que en este caso se
detalla una estructura plenamente taxonómica solo fue necesaria un tipo de
relación con su inversa (ver tabla 4-3).
Capítulo 4 99
Tabla 4-3 Descripción de las relaciones binarias
Relación Clase origen Clase destino Relación inversa
Tiene
Estudiante GUI
Pertenece a
GUI ID
Panel Height
Panel Width
Panel Position X
Panel Position Y
Estudiante ID
Perfil de usuario GUI BD
Perfil de usuario Preferencias
Perfil de usuario Historial
Perfil de usuario Estilo de aprendizaje
• Tarea 6: Descripción de atributos de instancia en detalle
La definición de los atributos de instancias se lleva a cabo utilizando una tabla de
los atributos de instancias incluidos en el diccionario de conceptos, en la tabla 4-4
presenta un extracto de la tabla de atributos de instancia en detalle para el concepto
de Panel y perfil de usuario. Esta identifica los atributos, la clase a la cual
pertenecen, el tipo de valor y la cardinalidad; de manera análoga fueron detallados
los atributos de las demás clases.
Tabla 4-4 Descripción de atributos de instancia en detalle
Atributo Clase Tipo valor Cardinalidad
Height
Panel
numérico 1-n
Width numérico 1-n
Position X numérico 1-n
Position Y numérico 1-n
Formato OA OA Texto 1-n
100 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
Las tareas 7, 8 y 9 (Definir en detalle los atributos de clases, Definir en detalle las
constantes y Definir los axiomas formales) propuestas por la metodología Methontology no
aplican para el dominio de la ontología propuesta en esta investigación, por esta razón no
serán detalladas.
• Tarea 10: Definición de reglas
A partir de esta tarea se identificaron las reglas necesarias para el desarrollo de
inferencias mediante la ontología. En la tabla 4-5 se presentan las reglas técnicas
de inferencia para evidenciar el proceso, solo existen 2 reglas: (1) obtener la
posición de cada panel y (2) obtener el tamaño del panel.
Tabla 4-5 reglas técnicas de inferencia.
Goal SWRL Rule
Obtener la altura y el ancho
de un panel, definido para un
usuario en particular
PREFIX ont: <http://www.adaptivegui/#>
SELECT ?subject ?panel ?height ?width ?name
WHERE {?subject ont:hasIdentification 12345 .
?subject ont:definesPropertiesOf ?gui
?gui ont:hasPanel ?panel .
?panel ont:hasName ?name.
?panel ont:hasHeight ?height .
?panel ont:hasWidth ?width .
FILTER regex(?name, "search") }
Obtener posición de un panel,
definido para un usuario en
particular
PREFIX ont: <http://www.adaptivegui/#>
SELECT ?subject ?panel ?positionx ?positiony ?name
WHERE {?subject ont:hasIdentification 12345 .
?subject ont:definesPropertiesOf ?gui .
?gui ont:hasPanel ?panel .
?panel ont:hasName ?name.
?panel ont:hasPositionX ?positionx .
?panel ont:hasPositionY ?positiony .
FILTER regex(?name, "LO Repositories")}
Capítulo 4 101
• Tarea 11: Definición de instancias
Durante el desarrollo de esta tarea fueron definidas las instancias, las cuales
comprenden los individuos asociados a las clases creadas, por facilidad en las
pruebas se consideraron entidades genéricas.
4.5.3 Fase de formalización e implementación
La fase de formalización e implementación de la ontología consiste en plasmar el
conocimiento identificado a partir de las fases previas a través de un lenguaje formal, en
este caso se utilizó OWL (http://www.w3.org/TR/owl-features/) mediante la herramienta
Protégé (http://protege.stanford.edu/). En este sentido, se crearon 5 clases, 1 propiedad
de tipo object-properties y 10 de tipo Datatype-properties. La figura 4-14 presenta las
clases definidas a través de una ontología generada a partir de Protégé.
Figura 4-23 Ontología generada a partir de Protégé. Fuente: Autoría propia.
102 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
4.6 Conclusiones del capítulo
En este capítulo se presentaron todos los elementos que componen el modelo propuesto
en la presente tesis, se describió la interfaz gráfica de usuario y sus componentes, se
detalló el perfil del usuario, con la información del perfil se alimentara la adaptatividad de
la GUI.
Además se especificó el funcionamiento del SR y como este va a entregar los diferentes
resultados, también se declaró el funcionamiento del SMA sus componentes y cómo fluirá
la información en el sistema, además se evidenció el proceso de desarrollo e
implementación de la ontología para la adaptatividad de la GUI.
Con toda la información anterior se puede observar la ventaja de integrar distintos sistemas
que tienen una función específica con el fin de lograr crear un sistema que apoye al usuario
y lo haga sentir mucho más cómodo con el sistema.
5. Implementación y validación del modelo
En este capítulo se presenta el desarrollo del prototipo funcional, basado en el modelo
propuesto en el anterior capítulo, se pretende mostrar todas las funcionalidades que
componen al prototipo y todas las herramientas necesarias para el desarrollo e
implementación de este, además se evidencia la viabilidad y validación del prototipo a
través de métricas aplicado a casos de estudio.
El prototipo creado en esta investigación se denomina “RoapAdap”, para crear esta
aplicación, el desarrollo fue dividido en 3 etapas:
• Desarrollo del sistema Web, la GUI adaptativa y la base de datos.
• Desarrollo de la Ontología.
• Desarrollo del sistema multi-agente.
La evaluación del prototipo se realizó mediante 2 casos de estudio los cuales evalúan la
funcionalidad de la adaptatividad de la GUI y la recomendación de OAs, para realizar los
casos de estudio fueron seleccionados 20 ingenieros de sistemas (5 mujeres y 15
hombres). Cada uno de ellos se tuvo que inscribir en el sistema, en ese momento creando
su perfil de usuario.
La aplicación está distribuida en 2 partes
1. Servidor: es el lugar donde se despliega la base de datos, el aplicativo web y la
plataforma central del sistema multi-agente.
2. El dispositivo cliente: es el dispositivo que accede a la página web del aplicativo y
el agente de GUI.
En la figura 5-1 se ilustra el diagrama de despliegue de los componentes que forman el
aplicativo RoapAdap
104 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
Figura 5-1 Despliegue de componentes del aplicativo RoapAdap.
5.1 Desarrollo del aplicativo web
El aplicativo RoapAdap fue construido basado en el lenguaje GWT el cual está basado en
el lenguaje de programación orientado a objetos JAVA lo cual facilita el desarrollo de todo
el prototipo dado que los diferentes elementos que compondrán el aplicativo utilizan
lenguajes basados en este. El prototipo consta de tres interfaces, la figura 5-2 muestra la
primera interfaz del sistema la cual está compuesta por dos campos de texto para que el
usuario llene los datos en caso de ya estar registrado en el aplicativo y se autentique en el
sistema oprimiendo el botón aceptar.
Figura 5-2 Pantalla de inicio de sesión
(Izq. Pantalla de inicio de sesión / Der. Error de autenticación).
Capítulo 5 105
En caso de que el usuario no esté registrado en el sistema puede oprimir el botón “Crear
usuario” para registrarse en el sistema llenando un formulario.
La función de la segunda pantalla del prototipo es realizar un registro de todos los datos
personales de un usuario nuevo en el sistema, en la figura 5-3 se pueden observar el
formulario de registro con todos los campos requeridos que el usuario debe de diligenciar
(cédula, nombre, apellidos, teléfono, dirección, entre otros). La finalidad de recoger toda
esta información además de registrar al usuario, es comenzar a crear el perfil del usuario,
en el ítem datos personales (ver sección 4.2).
Figura 5-3 Pantalla de registro en el sistema RoapAdap (Datos personales).
Además de los datos anteriores en esta pantalla también se realizan una serie de
preguntas, en total 24 basadas en VARK (http://www.vark-learn.com/english/index.asp) y
Felder y Silverman (1988), cuya finalidad es poder definir cuáles son las características de
cada usuario y de esa forma obtener los datos necesarios para completar otro de los ítems
que componen el perfil del usuario, en este caso el estilo de aprendizaje (ver sección 4.2).
En la figura 5-3 y en la figura 5-4 aparecen algunas de las preguntas necesarias para poder
identificar cual es la composición del estilo de aprendizaje de cada estudiante, también se
pueden observar los botones “Aceptar” y “Cancelar”.
La función del botón Aceptar es validar que todos los campos estén correctamente
diligenciados, en caso contrario aparecerá un Pop up indicándole al usuario cuales son los
campos mal diligenciados o vacíos y las preguntas del test de estilo de aprendizaje que
106 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
faltan por responder. En el caso del botón Cancelar lleva al usuario a la pantalla principal
(ver figura 5-2)
Figura 5-4 Pantalla de registro en el sistema RoapAdap (Estilo de aprendizaje).
Por último, se encuentra la tercera pantalla del prototipo, como se explicó en la sección 4.1
esta pantalla está compuesta por los siguientes 5 paneles:
• Panel de Menú: En este panel se agrupan varias opciones para realizar algunas
tareas como (cambiar el OA desplegado, Buscar OA, etc).
• Panel de búsqueda: La función de este panel es realizar búsquedas simples de
OAs.
• Panel de contenido: Este panel está enfocado en mostrar los OA que el usuario ha
seleccionado.
• Panel de notas: Este panel fue diseñado para que el estudiante pueda tomar
apuntes de lo que se ha aprendido mientras estudiaba el contenido de los OA.
• Panel de repositorios: La función de este panel es permitir un acceso rápido a
diferentes repositorios, permitiendo a los estudiantes acceso a otros OA que no hay
en el sistema.
En la figura 5-5 se puede observar nuevamente los paneles que se mencionaron
anteriormente (ver sección 4.1), cada panel puede cambiar de posición (incluso se pueden
sobreponer unos sobre otros) y de tamaño, todos los ajustes en la interfaz gráfica son
Capítulo 5 107
definidos por cada usuario en el sistema. Adicional a lo anterior está la función adaptativa
del sistema la cual puede modificar tanto el tamaño como la posición de cada panel en el
sistema.
Figura 5-5 interfaz adaptativa del sistema RoapAdap.
Para que la funcionalidad adaptativa de la GUI funcionara correctamente las
características del perfil del usuario que se utilizaron son las siguientes:
• Estilo de aprendizaje del usuario
• Historial de OAs buscados por el usuario
• GUI (Distribución espacial de los páneles de la interfaz gráfica)
5.2 Desarrollo de la plataforma Multi-Agente
El sistema multi-agente desarrollado para la aplicación RoapAdap fue implementado bajo
el Framework JADE, el cual está desarrollado totalmente en JAVA, lo que simplifica la
implementación de un SMA. Un sistema basado en JADE puede ser distribuido en
diferentes máquinas y su configuración puede ser controlada remotamente todo esto
mediante interfaces gráficas (para ver una mayor descripción de este framework diríjase a
la sección 2.6.2).
108 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
Tabla 5-1 Herramientas necesarias para el desarrollo de la plataforma multi-agente
Característica Valor
Sistema Operativo Windows 7 64/32 bits
Ambiente de desarrollo multi-agente JADE 4.4.0
Motor de base de datos MySQL 5.7.18
Lenguaje de desarrollo JAVA (JDK 1.8.101)
En la figura 5-6 se puede observar la interfaz gráfica proporcionada por JADE para la
administración de las plataformas multi-agentes desarrolladas con JADE. Además, en la
figura 5-6 se puede examinar los contenedores que componen el SMA y los diferentes
agentes que residen en estos.
La plataforma multi-agente desarrollada para la aplicación RoapAdap se llama
RoapAdap_Plataform. En el contenedor principal (Main-Container) existen 7 agentes, 4 de
ellos pertenecen al modelo propuesto en la sección 4.4 para el sistema de recomendación
de la aplicación y 3 agentes, los cuales no fueron mencionados en la sección 4.4, esto se
debe a que son agentes propios del framework JADE (Salazar, 2015):
• Remote Monitoring Agent (RMA): este agente está encargado de la administración
de la interfaz gráfica de JADE, la cual brinda herramientas de monitoreo que
facilitan el desarrollo de los agentes dentro de la plataforma.
• Agent Managment System (AMS): este agente está encargado de la administración
de los registros de los agentes en la plataforma, es decir, supervisa el proceso de
autenticación y lleva un control de registros de todos los agentes registrados en la
plataforma, evitando inconsistencias (Páginas blancas).
• Directory Facilitator (DF): es el agente encargado de registrar y proveer información
referente a los servicios de los agentes, por esta razón es conocido como las
páginas amarillas.
Capítulo 5 109
Adicional al contenedor principal se puede ver otro contenedor secundario llamado GUI,
en dicho contenedor se despliega el agente de GUI, encargado de verificar todos los
cambios realizados en la interfaz gráfica.
Figura 5-6 Plataforma multi-agente RoapAdap_Plataform
5.3 Integración de la Ontología a la aplicación
La ontología creada para la aplicación RoapAdap, fue desarrollada en Protégé como se
mencionó en la sección 4.5, para la integración de la ontología al sistema se utilizó el
framework JENA (https://jena.apache.org/), cuya función principal es el desarrollo de web
semántica. JENA también proporciona mecanismos para la implementación, la cosecha de
datos y la administración de sistemas basados en ontologías (Salazar, 2015).
En la tabla 5-2 se puede examinar las características con las cuales se implementó JENA
en el sistema RaopAdap.
110 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
Tabla 5-2 Características técnicas para la integración ontológica.
Característica Valor
Herramienta de integración Apache Jena 3.2.0
Lenguaje de desarrollo JAVA
Mecanismo de inferencia Reglas SWRL - SPARQL
Para el correcto funcionamiento de la ontología es necesario realizar un proceso de
cosecha de datos, de esa forma la ontología puede realizar inferencias correctamente.
El proceso de cosecha de información ontológica de la aplicación RoapAdap comienza
desde el momento en que el usuario ingresa correctamente la información del formulario
de registro, los campos del formulario se pueden observar en la figura 5-3. Además de
estos campos también hacen parte del proceso de cosecha de datos, el estilo de
aprendizaje, obtenido a partir de las preguntas que se deben de responder en el mismo
formulario de registro (ver figura 5-3 y figura 5-4). Cuando el usuario oprime el botón
aceptar (figura 5-4) el agente de GUI es el encargado de guardar los datos en la base de
datos de la aplicación.
Por último, con cada modificación del tamaño de los paneles o de la posición de estos, el
agente de GUI debe de mapear dicho cambio en la información contenida en la ontología
y almacenar dicha distribución en la base de datos.
5.4 Validación del prototipo
En esta sección se explican los diferentes casos de prueba realizados para la evaluación
de la aplicación RoapAdap basada en el prototipo creado en el capítulo 4, las siguientes
características fueron evaluadas:
1) Función adaptativa de la interfaz (Recomendación de distribución de la GUI).
2) Recomendación de OAs por parte de SR.
3) Funcionalidad en los diferentes exploradores.
Capítulo 5 111
4) Desempeño general del prototipo.
Las métricas utilizadas para validar las características anteriores son:
a) Rendimiento del sistema.
b) Satisfacción del usuario con respecto a las recomendaciones suministradas para la
GUI.
c) Satisfacción del usuario con respecto a las recomendaciones suministradas por el
SR.
d) Completitud de la funcionalidad del prototipo en los navegadores.
e) Usabilidad.
f) Grado de resistencia a la sobrecarga.
5.4.1 Validación de la función adaptativa de la interfaz
Para la validación de las recomendaciones de la interfaz adaptativa se validó la información
obtenida por 20 usuarios los cuales fueron divididos en 3 grupos de estudio de la siguiente
forma:
1. Cuatro usuarios a los cuales nunca se les activa la funcionalidad adaptativa de la
GUI.
2. Ocho usuarios a los cuales se evaluará primero sin la funcionalidad adaptativa y
luego se les activa esta funcionalidad.
3. Ocho usuarios con la funcionalidad adaptativa en todo momento.
Validación de la Métrica “Rendimiento del sistema”
Como muestra inicial de datos para la métrica del rendimiento del sistema, se midió el
tiempo que cada usuario utilizó para adecuar la interfaz inicial del sistema a su gusto, en
la figura 5-7 se puede observar los resultados.
112 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
Figura 5-7 Tiempo empleado en la modificación de la GUI inicial del sistema por los
usuarios.
Para la evaluación de la interfaz gráfica (métrica del rendimiento del sistema) se les pidió
a 12 de los usuarios los cuales no contaban con la funcionalidad adaptativa del prototipo,
buscar OAs con diferentes formatos y se midió el tiempo que cada uno de ellos utilizó para
adecuar la interfaz según el formato del objeto. A continuación, en la figura 5-8 se puede
ver los resultados obtenidos, para cada uno de los formatos de los OAs, primero se buscó
objetos de formato video, después objetos de formato PDF y por último se buscaron
objetos que tuvieran formato de imagen.
0
20
40
60
80
100
120
140
160
Tiempo (seg) para modificar la gui sin OAs
Capítulo 5 113
Figura 5-8 Tiempo empleado en la modificación de la GUI inicial según el formato de OA
para usuarios sin función adaptativa.
Al examinar los datos obtenidos de los 12 participantes que no contaban con la función
adaptativa del sistema se puede observar que a medida que los usuarios pasan más
tiempo en el sistema, el tiempo que se emplea en organizar la distribución de los paneles
es menor. El promedio del tiempo empleado en la modificación de la interfaz gráfica fue de
65.9 segundos, con un valor mínimo de 3 segundos y un valor máximo de 170 segundos.
Para la evaluación de los usuarios con la funcionalidad adaptativa del sistema, se definió
una tolerancia en el cambio de los paneles de 10% sobre la posición y el tamaño (width,
height) de la distribución propuesta por el sistema. Cuando un usuario realiza cambios
dentro de la tolerancia, la muestra de tiempo se contabiliza como 0 segundos; en el caso
de que un usuario realice cambios a la propuesta en 4 o más de los 5 paneles, si se tiene
en cuenta el tiempo.
Al igual que en la validación anterior se realizó el mismo ejercicio con 16 usuarios los cuales
tenían la función adaptativa activada. A continuación, en la figura 5-9 se puede ver los
resultados obtenidos, para cada uno de los formatos de los OAs. El promedio del tiempo
empleado en la modificación de la interfaz gráfica fue de 14.3 segundos, con un valor
mínimo de 0 segundos y un valor máximo de 71 segundos.
0
20
40
60
80
100
120
140
160
180
Tiempo (seg) modif icación gui según formato del OA
Formato video Formato PDF Formato imagen
114 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
Figura 5-9 Tiempo empleado en la modificación de la GUI inicial según el formato de OA para usuarios con función adaptativa.
De la figura 5-9 se puede concluir que en la mayoría de los formatos de los OAs los
usuarios aceptaron la distribución que la aplicación proponía, además de lograr disminuir
los tiempos de modificación de la GUI por parte de los usuarios que no aceptaron la
recomendación.
Validación de la Métrica “Satisfacción del usuario con respecto a las
recomendaciones suministradas para la GUI”
La métrica de satisfacción del usuario con respecto a las recomendaciones suministradas
para la GUI fue evaluada basado en los datos de la tabla 5-3, en la cual se puede observar
el porcentaje de aceptación de los usuarios de la distribución propuesta en cada formato
de OA con el que tuvieron contacto.
0
10
20
30
40
50
60
70
80
Tiempo (seg) modi f icac ión gui según formato del OA
Formato video Formato PDF Formato imagen
Capítulo 5 115
Tabla 5-3 Porcentaje de aceptación de las distribuciones propuestas.
Formato Porcentaje de aceptación
Video 56.3%
PDF 62.5%
Imagen 87.5%
Al analizar los datos de los 8 usuarios que estuvieron en la toma de muestra del sistema
con la función adaptativa y sin esta, se puede concluir que la función adaptativa del sistema
logra disminuir los tiempos que se invierten en la modificación de la interfaz por parte de
los usuarios; esto se puede evidenciar en las figuras 5-10 y 5-11, al comparar las líneas
de ambos casos de estudio.
Figura 5-10 Comparación tiempo modificación interfaz de usuario para el formato video con y sin la función de adaptativa.
0
20
40
60
80
100
120
140
160
180
Usuario 5 Usuario 6 Usuario 7 Usuario 8 Usuario 9 Usuario 10 Usuario 11 Usuario 12
Formato video
Sin adaptatividad Con adaptatividad
116 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
Figura 5-11 Comparación tiempo modificación interfaz de usuario para el formato PDF con y sin la función de adaptativa.
A continuación, en la figura 5-12 se muestra un ejemplo de la distribución de la GUI
realizada por uno de los usuarios para un OA de formato video, en esta distribución el
panel de repositorios está ubicado detrás del panel de contenido. Sin embargo, esto no
repercute en la funcionalidad de la interfaz adaptativa, ni en la correcta interacción con el
usuario. En la figura 5-13 se puede observar la distribución propuesta por la interfaz
adaptativa para el mismo OA en la cual sí aparecen todos los paneles. La interfaz
adaptativa realizó esta propuesta de distribución de los páneles, basado en el histórico de
distribuciones realizadas por el usuario JuanCarl, el OA desplegado y otros usuarios con
un perfil de usuario similar.
0
20
40
60
80
100
120
140
160
Usuario 5 Usuario 6 Usuario 7 Usuario 8 Usuario 9 Usuario 10 Usuario 11 Usuario 12
Formato PDF
Sin adaptatividad Con adaptatividad
Capítulo 5 117
Figura 5-12 Distribución de GUI realizada por un usuario.
Figura 5-13 Distribución de GUI realizada por la interfaz adaptativa.
118 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
5.4.2 Validación de las recomendaciones de OAs
La validación de la métrica de satisfacción del usuario con respecto a las
recomendaciones suministradas por el SR. fue realizada a través dos pruebas: (1) se
realizó a los usuarios una encuesta de percepción y (2) con 20 OAs de 4 temáticas
diferentes se validó si el sistema entregaba el número de recomendaciones correcta.
1. Las respuestas de la encuesta tenían un valor de 1 a 5, siendo 1 la peor calificación
y 5 la mejor. En la figura 5-14 se pueden observar los porcentajes de las respuestas
entregadas en la encuesta.
Figura 5-14 Encuesta sobre OAs recomendados por el SR.
2. Los 20 OAs que se tuvieron en cuenta para el caso de estudio estaban divididos en
4 categorías, (1) Análisis y Diseño de Sistemas de Información, (2) Auditoria de
sistemas, (3) base de datos y (4) Lenguaje, en la tabla 5-4 se puede observar los
resultados obtenidos por el SR y cuál fue el porcentaje de acierto del sistema en
cada una de las categorías mencionadas anteriormente.
Capítulo 5 119
Tabla 5-4 Porcentaje de acierto del SR en las recomendaciones.
Categoría OAs
recomendados
OAs que se debieron
recomendar
Porcentaje de acierto
1 3 6 50%
2 6 8 75%
3 2 2 100%
4 3 5 60%
En conclusión, se puede afirmar que a los usuarios les agrado el SR y sus
recomendaciones en todas las preguntas del cuestionario las calificaciones entre 4 y 5
superan el 75% de las respuestas entregadas, además también se puede afirmar basados
en los datos de la tabla 5-4 que el SR proporciona unas recomendaciones adecuadas con
un porcentaje de aceptación superior al 70%, todo esto basado en los objetos que los
usuarios tienen desplegados en el panel de contenido. Los objetos que aparecen en la
columna “OAs que se debieron de recomendar” son estimaciones según las características
del usuario y son la suma de los 3 tipos de filtrado del SR.
5.4.3 Funcionalidad en los diferentes navegadores
Con el objetivo de validar la métrica completitud de la funcionalidad del prototipo en
los navegadores la aplicación RoapAdap fue probada en 4 navegadores diferentes con
el fin de validar el funcionamiento y comportamiento de todas las funcionalidades del
prototipo y además verificar la correcta visualización del aplicativo.
Los resultados de esta evaluación fueron bastante positivos dado que en todos los
navegadores la funcionalidad adaptativa y adaptable del prototipo funcionó correctamente.
Además, la mayoría de los formatos con los que se realizaron los casos de prueba se
visualizan correctamente en todos los exploradores, en el caso del formato video en los
navegadores Chrome y Safari, se descarga el archivo del video al computador del usuario
por lo cual el video no se visualiza mediante el prototipo, en el caso del navegador Edge
al tratar de visualizar el video aparece un error en el panel de contenido y tampoco se
descarga el video.
En la visualización de los componentes, el único navegador que presenta algún defecto es
Firefox ya que este no muestra el icono que aparece en la esquina superior izquierda en
la mayoría de las pantallas.
120 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
Tabla 5-5 Validación de RoapAdap en los navegadores.
Funcionalidad Chrome Firefox Edge Safari
¿Se visualiza
correctamente todos
los elementos de la
GUI?
SI NO SI SI
¿La funcionalidad
adaptable de la GUI
funciona
correctamente?
SI SI SI SI
¿La funcionalidad
adaptativa de la GUI
funciona
correctamente?
SI SI SI SI
¿Los OAs con
formato video se
visualizan
correctamente?
NO SI NO NO
¿Los OAs con
formato PDF se
visualizan
correctamente?
SI SI NO SI
¿Los OAs con
formato imagen se
visualizan
correctamente?
Si SI NO SI
Capítulo 5 121
Validación Métrica de Usabilidad
Para validar la métrica de Usabilidad de la Interfaz se realizó un cuestionario de percepción
sobre 4 de los páneles que componen la GUI (No se preguntó por el panel de contenido),
la pregunta que se realizó fue la siguiente: ¿Cómo califica la utilidad del panel?, las
respuestas de la encuesta tenían un valor de 1 a 5, siendo 1 la peor calificación y 5 la
mejor, en la figura 5-15 se pueden observar los resultados.
Figura 5-15 Encuesta sobre los paneles de la GUI.
De los datos obtenidos se puede observar que la mayoría de los paneles fueron útiles para
los participantes exceptuando el panel de repositorios, el cual solo tuvo un 45% de
aceptación; los usuarios expresaron que sería más usable el prototipo si la función del
panel de repositorio se agrega al panel de contenido.
5.4.4 Desempeño general del prototipo
La métrica grado de resistencia a la sobrecarga es utilizada para medir el desempeño
de la aplicación RoapAdap. De esta forma se debe inicialmente contabilizar el tiempo que
demora cada petición al servidor; el tiempo empieza a contar cuando un usuario selecciona
un OA para ser visualizado y termina cuando el OA es desplegado en el panel de
122 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
contenido. A continuación, en las figuras 5-16 a 5-18 se puede observar las diferencias de
los tiempos de respuesta al interactuar con la GUI para las peticiones solicitadas por los
usuarios sin la función adaptativa y con la función adaptativa activada.
Figura 5-16 Tiempo de respuesta al cargar un OA con formato video (Izq. sin función adaptativa / Der con función adaptativa).
De las 3 figuras se puede analizar que el promedio de las peticiones realizadas por los
usuarios es de 0.17 segundos, también que el impacto de la funcionalidad adaptativa en
el sistema es en promedio de 0.2 segundos por petición.
Figura 5-17 Tiempo de respuesta al cargar un OA con formato PDF (Izq. sin función adaptativa / Der con función adaptativa).
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
Tie
mp
o d
e r
espu
esta
(s
eg
und
os)
Número de la petición
Respuesta del sistema carga de OA(formato video)
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
Tie
mp
o d
e r
espu
esta
(se
gu
nd
os)
Número de la petición
Respuesta del sistema carga de OA (formato pdf)
Capítulo 5 123
Figura 5-18 Tiempo de respuesta al cargar un OA con formato imagen (Izq. sin función adaptativa / Der con función adaptativa).
Para validar la capacidad de respuesta del prototipo a la sobrecarga se realizó una prueba
de estrés al servidor con mil peticiones. De la prueba se puede concluir que el grado de
resistencia a la sobrecarga es muy buena, ya que el valor máximo de respuesta es de 0.5
segundos a pesar del gran número de peticiones realizadas (ver figura 5-19).
Figura 5-19 Tiempos de respuesta al seleccionar un OA.
0
0,05
0,1
0,15
0,2
0,25
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
Tie
mpo d
e r
espuesta
(segundos
Número de la petición
Respuesta del sistema carga de OA (formato imagen)
124 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
Para complementar la validación de la métrica de sobrecarga, se crearon registros extra
en la ontología con el fin de verificar si la mayor carga de información tiene un impacto
significativo en el tiempo de respuesta del sistema. Es importante aclarar que el tiempo de
respuesta se calcula desde el momento en que se realiza la petición para visualizar el OA
hasta que llega la respuesta del servidor.
En la tabla 5-6 se pueden observar los resultados de los tiempos de respuesta del sistema
al aumentar los registros en la ontología, de estos datos se puede concluir que ante un
aumento de los registros que debe analizar la ontología los tiempos de respuesta no se
ven afectados drásticamente.
Tabla 5-6 Tiempo de respuesta de RoapAdap al aumentar los registros en la ontología.
Registros en la ontología Tiempo de respuesta (segundos)
50 0.17
100 0.17
200 0.19
500 0.22
Por lo anterior se puede concluir que la respuesta del sistema desde el punto de vista de
la sobrecarga de la información es buena, dado que los tiempos de respuesta oscilan entre
0.17 segundos y 0.22 segundos a pesar de que la información aumentó drásticamente en
cantidad de registros.
5.5 Conclusiones del capítulo
En este capítulo se presentó el desarrollo del prototipo basado en el modelo propuesto y
se realizó su validación, mostrando las capacidades del prototipo y la viabilidad de este
tipo de sistemas.
Para lograr implementar este prototipo, primero se creó el aplicativo web, con todas sus
pantallas teniendo especial énfasis en el desarrollo de los 5 paneles y sus funciones. Luego
se logró integrar a la parte web el sistema multi-agentes basado en el framework JADE y
Capítulo 5 125
con este el SR encargado de las recomendaciones de los OAs. Por último, se integró la
ontología y con ella la funcionalidad adaptativa de RoapAdap.
Para la validación del aplicativo se tuvo en cuenta diferentes casos de estudio y métricas,
enfocados en: (1) la función adaptativa del sistema, (2) las recomendaciones entregadas
por el SR, (3) La visualización del aplicativo en los diferentes navegadores y (4) el
desempeño general del prototipo.
Los resultados obtenidos de los casos de estudio del prototipo permiten concluir:
• Las recomendaciones de la GUI realizadas a partir de las inferencias ontológicas
son aceptadas por los usuarios y además en los casos que no se aceptan reducen
el tiempo de realizar la modificación en la GUI.
• Las recomendaciones del SR por los filtrados (Colaborativo, Conocimiento y
contenido) tienen un alto porcentaje de acierto.
• La visualización de los OAs en el prototipo funciona correctamente en algunos de
los navegadores.
• La visualización del prototipo (los componentes de la GUI como botones, imágenes,
etc.) en los diferentes navegadores fue satisfactoria dado que en la mayoría de
estos se visualiza correctamente.
• Las funcionalidades adaptable y adaptativa funcionan en todos los navegadores
probados.
• La prueba de estrés de peticiones sobre el servidor demuestra que el sistema es
capaz de soportar una carga sin un impacto significativo en la respuesta de las
peticiones.
6. Conclusiones y Trabajo Futuro
6.1 Conclusiones y Aportes de la tesis
Esta tesis de maestría tuvo como objetivo el desarrollo de un modelo de interfaz adaptativa
para recomendación de objetos de aprendizaje basado en perfiles de usuario, agentes
inteligentes y ontologías, proponiendo una posible solución a la sobrecarga de OAs que
existen en los repositorios o federaciones ya que el sistema es capaz de recomendar OAs
que se adecuen a las características del usuario, además que la interfaz adaptativa
proporciona una ventaja en la visualización (mediante la distribución de páneles que
conforman la interfaz) de los OAs ya que el usuario no necesita salir del aplicativo.
Los resultados obtenidos mediante la validación del prototipo implementado en esta tesis
demuestran que este tipo de sistemas de e-learning es viable y que además incrementan
el interés de los usuarios en explorar nuevos contenidos. En el desarrollo de la presente
tesis se pudo alcanzar todos los objetivos planteados en la sección 1.4.2, a continuación,
los objetivos logrados:
• Se caracterizaron los elementos que componen una interfaz adaptativa entre ellos
la ontología, se identificaron los componentes de los perfiles de usuario, los estilos
de aprendizaje y los sistemas de recomendación de OAs, todo esto se realizó a
partir de la revisión del marco teórico.
• Se realizó una investigación sobre la representación del conocimiento mediante
ontologías y se escogió como metodología para la implementación a Methontology,
a través de la ontología desarrollada se logró ofrecer distribuciones de GUI
aceptadas por los usuarios de la aplicación.
• Se diseñó e implementó un SMA basado en la metodología Prometheus con la
capacidad de realizar recomendaciones de OAs y al integrar el SMA con una
ontología se logró crear la funcionalidad adaptativa de la GUI del sistema.
128 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles de
usuario, agentes inteligentes y ontologías
• Se implementó un prototipo funcional basado en el modelo propuesto, integrando
SMA, ontologías y un aplicativo web el cual fue capaz de realizar recomendaciones
de distribución de GUI y de OAs.
• Se validó el prototipo creado con diferentes casos de estudio utilizando las
métricas: (1) el rendimiento del sistema, (2) la experiencia de usuario con las
recomendaciones (tanto de GUI como de OAs), (3) la usabilidad (4) la resistencia
a la sobrecarga, entre otras. De lo anterior se evidenció que las recomendaciones
de GUI son aceptadas por los usuarios, así como también lo son las
recomendaciones de OAs. También se midieron los tiempos de respuesta del
aplicativo obteniendo muy buenos resultados y se realizaron encuestas de
percepción sobre la experiencia y usabilidad de la interfaz del prototipo
desarrollado.
Los principales aportes de la investigación realizada en esta tesis de maestría se listan a
continuación:
• Un modelo de SMA con la capacidad de ofrecer recomendaciones de objetos de
aprendizaje y al ser integrado con una ontología para ofrecer recomendaciones de
distribución de páneles que componen la GUI, logrando así una función adaptativa
de la interfaz.
• Una ontología de un dominio en específico, capaz de realizar una representación
del conocimiento, la cual permite entregar recomendaciones de distribuciones de
GUI.
• Un prototipo de GUI capaz de realizar todas funciones necesarias que exhibe una
interfaz adaptativa.
• La integración de varias tecnologías en el desarrollo del prototipo funcional.
• Se validó y probó la viabilidad del prototipo desarrollado basado en el modelo
propuesto.
• Se demostró que el enfoque de interfaz adaptativa propuesto tiene un impacto
positivo sobre el usuario al distribuir la interfaz según las características del usuario
y disminuir el tiempo que estos invierten al realizar los cambios de la interfaz.
• Un aplicativo web con funciones adaptativas y adaptables, capaz de cambiar su
distribución al gusto de cada usuario.
Conclusiones 129
Adicionalmente se presentan los siguientes aportes que no estaban en los objetivos
propuestos en la tesis:
• Se desarrolló una interfaz que es adaptable lo cual es una característica
independiente del sistema adaptativo desarrollado.
• Se implementó un SR, que utiliza el estándar IEEE-LOM basado en algunos
metadatos de los OAs para realizar recomendaciones mediante la técnica de
filtrado basado en contenido.
6.2 Trabajo futuro
Como trabajo futuro se plantea expandir las capacidades del sistema para poder crear o
eliminar, en tiempo real, los paneles que componen la GUI, lo cual implicaría crear o
modificar la ontología desarrollada en esta tesis. También el desarrollo de un módulo de
calificación de los OAs en el cual los usuarios entreguen una nota a cada OA con el cual
tuvieron contacto, de esta forma se podría ampliar las capacidades del SR.
Otra propuesta de trabajo futuro sería proveer un mecanismo de soporte computacional a
las personas discapacitadas cuyas funciones motoras no les permitan realizar los ajustes
que consideren necesarios sobre la GUI. Esto se podría lograr mediante comandos de voz,
los cuales le indicarán al sistema que posición debe tomar cada panel y el tamaño que el
usuario indica, además sería capaz de realizar las búsquedas y selección de los objetos
por este tipo de comandos. Así mismo se puede ampliar las capacidades del sistema al
adaptar el OA al usuario, por ejemplo: (1) si se está visualizando un video o archivo de
sonido, el sistema debería ser capaz de modificar el nivel del volumen, (2) en caso de
visualizar un PDF se podría modificar el nivel del zoom o el tamaño de las letras de dicho
documento.
Finalmente, se pretende desarrollar un módulo de depuración de los registros de las
distribuciones de GUI que existen en la ontología dado que pueden existir registros que
entorpezcan las inferencias realizadas por la ontología que pueden ser incoherentes con
respecto a los demás registros existentes.
Referencias Bibliográficas
Alaoui, S., Idrissi, Y. E. B. E., & Ajhoun, R. (2015). Building rich user profile based on
intentional perspective. Procedia Computer Science, 73, 342-349.
Bellifemine, F., Poggi, A., & Rimassa, G. (1999). JADE – A FIPA-compliant Agent
Framework. Artículo científico en congreso, Proceedings of PAAM, pp. 97-108.
Berners-Lee, T., Hendler, J., & Lassila, O. (2001). The Semantic Web. A new form of Web
content that is meaningful to computers will unleash a revolution of new possibilities.
Scientific American, 284(5), 1-5.
Bobadilla, J., Ortega, F., Hernando, A., & Gutiérrez, A. (2013). Recommender systems
survey. Knowledge-Based Systems, 46, 109-132.
Bordini, R. H., Hübner, J. F., & Wooldridge, M. (2007). Programming multi-agent systems
in AgentSpeak using Jason (Vol. 8). John Wiley & Sons.
Bresciani, P., Perini, A., Giorgini, P., Giunchiglia, F., & Mylopoulos, J. (2004). Tropos: An
agent-oriented software development methodology. Autonomous Agents and Multi-
Agent Systems, 8(3), 203-236.
Casali, A., Gerling, V., Deco, C., & Bender, C. (2011). Sistema inteligente para la
recomendación de objetos de aprendizaje. Revista Generación Digital 9(1):88-95.
Clements, K., Pawlowski, J., & Manouselis, N. (2015). Open educational resources
repositories literature review - Towards a comprehensive quality approaches
framework. Computers in Human Behavior, 51, 1098-1106.
132 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
Corcho, O., Fernandez, M., Gómez, A., & López, A. (2005). Building Legal Ontologies with
METHONTOLOGY and WebODE. Artículo científico en libro. In Law and the Semantic
Web. Springer Berlin Heidelberg. ISBN: 978-3-540-32253-5. pp. 142–157.
Cossentino, M., Hilaire, V., Molesini, A., & Seidita, V. (Eds.). (2014). Handbook on Agent-
Oriented Design Processes. Springer Berlin Heidelberg.
Cruz-Pérez, G., & Galeana, L. (2005). Los fundamentos biológicos del aprendizaje para el
diseño y aplicación de Objetos de Aprendizaje. Revista CEUPROMED.
Cuervo, M. C., Niño, E. J. H., & Villamil, J. N. P. (2011). Objetos de aprendizaje, un estado
del arte. Entramado, 7(1), 176-189.
D’Agostino, E., Casali, A., Corti, R., Torres, A., Siragusa, M., & Lopez, B. (2005). Sistema
de Apoyo al Aprendizaje Diagnóstico Utilizando Perfiles de Usuario: EndoDiag II. eia.
udg. es, 1-14.
Duque, N. (2009). Modelo Adaptativo Multi-Agente para la Planificación y Ejecución de
Cursos Virtuales Personalizados Tesis Doctoral. Universidad Nacional de Colombia.
Duque, N., Tabares, V., & Vicari, R. (2016). Learning Object Metadata Mapping with
Learning Styles as a Strategy for Improving Usability of Educational Resource
Repositories.
Evans, D., Arasu, V. A., & Fendley, M. (2013). A Model-Based Framework for an Adaptive
User Interface in Supervisory Control. IFAC Proceedings Volumes, 46(15), 37-43.
Felder, R. M., & Silverman, L. K. (1988). Learning and teaching styles in engineering
education. Engineering education, 78(7), 674-681.
Fernández-López, M., Gómez-Pérez, A., & Juristo, N. (1997). Methontology: from
ontological art towards ontological engineering.
Bibliografía 133
Ghédira, C., Maret, P., Fayn, J., & Rubel, P. (2002). Adaptive user interface customization
through browsing knowledge capitalization. International Journal of Medical …, 68,
219–228.
Giorgini, P., & Henderson-Sellers, B. (2005). Agent-oriented methodologies: an
introduction. In Book Agent-oriented Methodologies, 1-19.
JADE (Java Agent DEvelopment framework) http://jade.tilab.com, consultado en julio
2016.
Jiménez, J. A., Ovalle, D. A., & Branch, J. W. (2009). Conceptualización y análisis de un
sistema multi-agente pedagógico utilizando la metodología mas-commonkads. dyna,
76(158), 229-239.
Jorritsma, W., Cnossen, F., & van Ooijen, P. M. (2015). Adaptive support for user interface
customization: a study in radiology. International Journal of Human-Computer Studies,
77, 1-9.
Kinshuk, D., & Sabine, G. (2012). Ubiquitous Learning. Libro de investigación. In N. M. Seel
(Ed.), Encyclopedia of the Sciences of Learning. Boston, MA: Springer US. ISBN 978-
1-4419-1427-9, doi:10.1007/978-1-4419-1428-6. Vol 4, no. 1.
Kollar, L. (2003). GUIML, creating dynamic GUI objects using XML. Mathematical and
computer modelling, 38(7), 893-901.
Learning Technology Standards Committee. (2002). IEEE Standard for Learning Object
Metadata.Institute of Electrical and ElectronicsEngineers, New York.
Letsu-Dake, E., & Ntuen, C. a. (2009). A case study of experimental evaluation of adaptive
interfaces. International Journal of Industrial Ergonomics, 40(1), 34–40. doi:
10.1016/j.ergon.2009.10.002.
Lew, M., Bakker, E. M., Sebe, N., & Huang, T. S. (2007). Human-computer intelligent
interaction: a survey. In Human–Computer Interaction (pp. 1-5). Springer Berlin
Heidelberg.
134 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
Lin, P., Thangarajah, J., & Winikoff, M. (2008). The Prometheus Design Tool (PDT)
supports the structured design of intelligent agent systems. In Proceedings of the 23rd
national conference on Artificial intelligence - Volume 3 (pp. 1884–1885). Chicago:
AAAI Press.
López J., Victor M. (2005). Interfaces de Usuario Adaptativas basadas en Modelos y
Agentes Software. Tesis de Doctorado. Universidad de Castilla-La Mancha,
Departamento de Sistemas Informáticos, pp.324.
Marcos, M. C. (2001). HCI (human computer interaction): concepto y desarrollo. El
profesional de la información, 10(6), 4-16.
Marzal, M. Á., Prado, J. C., & Burgoa, E. R. (2015). Objetos de aprendizaje como recursos
educativos en programas de alfabetización en información para una educación
superior de posgrado competencial. Investigación Bibliotecológica: Archivonomía,
Bibliotecología e Información, 29(66), 139-168.
OWL Web Ontology Language Overview. W3org. 2016. Available at:
https://www.w3.org/TR/owl-features/. Accessed March 28, 2016.
Padgham, L., & Winikoff, M. (2004). Developing intelligent agent systems: A practical guide
(Vol. 13). John Wiley & Sons.
Padgham, L., & Winikoff, M. (2005). Prometheus: A practical agent-oriented methodology.
Agent-oriented methodologies, 107-135.
Park, D. H., Kim, H. K., Choi, I. Y., & Kim, J. K. (2012). A literature review and classification
of recommender systems research. Expert Systems with Applications, 39(11), 10059-
10072.
Park, J., Han, S. H., Park, Y. S., & Cho, Y. (2007). Adaptable versus adaptive menus on
the desktop: Performance and user satisfaction. International Journal of Industrial
Ergonomics, 37(8), 675–684. doi: 10.1016/j.ergon.2007.04.006.
Bibliografía 135
Park, J., & Han, S. H. (2011). Complementary menus: Combining adaptable and adaptive
approaches for menu interface. International Journal of Industrial Ergonomics, 41(3),
305–316. doi: 10.1016/j.ergon.2011.01.010.
Polsani, P. (2003). Use and Abuse of Reusable Learning Objects.Journal of Digital
Information Vol. 3, No. 4.
Ramos, E. & Nuñez, H. (2007). ONTOLOGÍAS: componentes, metodologías, lenguajes,
herramientas y aplicaciones. Libro de investigación. Lecturas en Ciencias de la
Computación. ISSN 1316-6239.
Ravi, R., Kumar, A., Bijlani, K., & Sharika, T. R. (2015). Self-Adaptive Interface for
Comprehensive Authoring. Procedia Computer Science, 58, 158-164.
Rodríguez, P. (2013). Modelo de recomendación adaptativa de objetos de aprendizaje en
el marco de una federación de repositorios, apoyado en agentes inteligentes y perfiles
de usuario. Tesis de Maestría en Ingeniería de Sistemas, Universidad Nacional de
Colombia - Sede Medellín.
Salazar, O. (2015). Modelo de Sistema Multi-Agente ubicuo adaptativo y sensible al
contexto para ofrecer recomendaciones personalizadas de recursos educativos
basado en ontologías. Tesis de Maestría en Ingeniería de Sistemas, Universidad
Nacional de Colombia - Sede Medellín.
Sanjuán, O., Torres, E., Castán, H., Gonzalez, R., Pelayo, C., & Rodriguez, L. (2009).
Viabilidad de la aplicación de Sistemas de Recomendación a entornos de e-learning.
Universidad de Oviedo, España.
Sanz, J. J. G. (2003). Metodologías para el diseño de sistemas multi-agente. Inteligencia
Artificial: revista iberoamericana de inteligencia artificial, 7(18), 51-64.
Shakshuki, E. M., Reid, M., & Sheltami, T. R. (2015a). An Adaptive User Interface in
Healthcare. Procedia Computer Science, 56, 49-58.
136 Modelo de interfaz adaptativa para recomendación de objetos de aprendizaje basado en perfiles
de usuario, agentes inteligentes y ontologías
Shakshuki, E. M., Reid, M., & Sheltami, T. R. (2015b). Dynamic Healthcare Interface for
Patients. Procedia Computer Science, 63, 356-365.
Tramullas, J., Sánchez-Casabón, A.-I., y Garrido-Picazo, P. An Evaluation based on the
Digital Library user: An Experience with Greenstone Software. Procedia - Social and
Behavioral Sciences, 73, 167-174. doi:10.1016/j.sbspro.2013.02.037 (2013).
Vicari, R. M., Ribeiro, A., Marques, J., Rizzon Santos, E., Primo, T., & Bez, M. (2009).
Brazilian Proposal for Agent-Based Learning Objects Metadata Standard - OBAA.
Universidad Federal do Rio Grande do Sul.
Wang, S. L., & Wu, C. Y. (2011). Application of context-aware and personalized
recommendation to implement an adaptive ubiquitous learning system. Expert
Systems with Applications 38 pp.10831–10838.
Wiley, D. A. (2001). Connecting learning objects to instructional design theory: A definition,
a metaphor, and a taxonomy. The Instructional Use of Learning Objects. Agency for
Instructional Technology, 2830(435), 1–35.
Wooldridge, M. (2009). An introduction to multiagent systems. John Wiley & Sons.
Xue, Q., Lu, J., Liu, M., & Gong, L. (2015). The Research on Adaptive Operational Interface
for Vehicle Equipments Based on Cognitive Experiments. Procedia Manufacturing, 3,
5443-5450.