Post on 13-Aug-2020
Factores de éxito para el desarrollode sistemas recomendadores paraprocesos de investigación.
Julio Danilo Moya Caisajulio.moya4548@utc.edu.ec
Universidad Técnica de Cotopaxi
16, 17 y 18 de octubre 2019. Ibarra-Ecuador
Agenda
• Introducción
• Materiales y métodos
• Resultados y discusión
• Conclusiones y trabajo futuro
Introducción
Con la aparición de la web 3.0 y el desarrollo de la inteligencia artificial hansurgido varias aplicaciones que permiten el incremento del uso de latecnología, la automatización de procesos, la conformación de redes deinvestigación multidisciplinaria, los sistemas recomendadores, entre otros.
Los sistemas recomendadores cumplen un rol importante a la hora debrindar sugerencias de distintas áreas del conocimiento relacionadas con laciencia, educación, negocios, etc.
Luego de haber recopilado datos a partir de una encuesta a 70 docentesinvestigadores de una universidad pública en Ecuador, se ha identificado lanecesidad que tienen determinados sujetos por realizar grupos decolaboración investigativa basados en características equivalentes
El presente trabajo se enfoca en determinar factores de éxito para eldesarrollo de sistemas recomendadores para procesos de investigación.
Para el desarrollo de la investigación se aplicó una encuesta cuyo objetivofue conocer el punto de vista de los investigadores sobre el uso de este tipode sistemas.
Como resultado del proceso experimental se obtuvieron 4 variablesestadísticamente significativas, mediante la aplicación de redes neuronalesse determina el nivel de predicción de éxito de las variables con un resultadodel 99.69%.
Se concluye que las variables identificadas podrían ser consideradas comorequerimientos de usuario funcionales con alta probabilidad de éxito.
Materiales y métodos• Elaboración del Dataset
a)Aplicación de una encuesta
Tabla 2 – Preguntas utilizadas para la obtención de datos.
b) Limpieza de datos
P9¿Es importante para usted ser considerado en base a su experiencia profesional en otras áreas de conocimiento para ejecutar procesos de investigación multidisciplinaria? V9
P10¿Qué tan relevante es para usted contactar colaboradores en procesos de investigación mediante una red social científica? V10
c) Tabulación de los datos
d) Poner en función de 0 y 1
V10Nada importante Medianamente
importanteImportante Totalmente
importante1 0 0 0
V10 RV10Nadaimportante
Medianamenteimportante
Importante Totalmente importante
1 0 0 0 00 1 0 0 00 0 1 0 10 0 0 1 1
V9 RV9Si NO1 0 10 1 0
RV9 RV10 RV11 RV121 0 0 01 0 0 01 0 0 01 0 0 01 0 0 01 0 0 01 0 0 01 0 0 01 0 0 01 1 0 01 1 0 01 1 0 11 1 0 1
• Dataset Final
• Preprocesamiento
Weka datamining (Selección de factores más importantes)
Orange Datamining (Predicción de datos)
Parámetros para la selección de atributos
Atributo evaluador CfsSubsetEval
Método de búsqueda BestFirst
Modo de selección delatributo.
Cross-validation (Folds 10,Seed 1)
https://orange.biolab.si/
https://www.cs.waikato.ac.nz/ml/weka/
ParámetrosNúmero de neuronas en las capas ocultas 100Función de activación ReLuSolucionador AdamRegulación a=0.1:Número máximo de iteraciones 200Entrenamiento replicable true
Resultados y discusión• Selección de factores de éxito
Neuronal Network(0)= 0.00380487
NeuronalNetwork(1) = 0.996195Class DV20 1Metas Neuronalnetwork
1
FeacturesRV1 0 RV16 1 RV26 0RV3 0 RV17 1 RV27 0RV9 1 RV18 1 RV28 0
RV10 0 RV19 1 RV29 1RV11 0 RV21 1 RV30 0RV12 0 RV22 1 RV31 1RV13 0 RV23 1 RV32 0RV14 0 RV24 1 RV33 1RV15 0 RV25 0
Red neuronal y CfsSubsetEval
Factores de éxito % precisiónLa recomendación en equipos de investigadores con base en la autoría ocoautoría de las publicaciones de los investigadores (V18).
90%
La sugerencia a grupos de investigadores con base a la experienciaprofesional (V19).
90%
La importancia de recomendación de las publicaciones del autor porparte de los demás investigadores (V31).
100%
La importancia de tener las estadísticas de las investigaciones de losdocentes o personal de investigación (V33).
100%
Redes NeuronalesFactor Precisión
El sistema recomendador tiene que hacer sugerencias de investigadores de diferentes áreasdel conocimiento en base a la experiencia profesional del investigador. 99.60%El sistema recomendador debe permitir aceptar o rechazar una recomendación. 99.60%El sistema recomendador hará sugerencias de investigadores en base a las palabras clave delas publicaciones del investigador. 99.60%El sistema recomendador tiene que hacer sugerencias de investigadores de distintas áreasdel conocimiento. 99.60%El sistema recomendador permitirá hacer sugerencias de investigadores en base apublicaciones similares a las del autor. 99.60%El sistema recomendador permitirá hacer sugerencias de los autores que hayan leído laspublicaciones. 99.60%El sistema recomendador hará sugerencias de investigadores que hayan citado laspublicaciones del autor. 99.60%Finalmente, el sistema recomendador hará una recomendación de los usuarios que visitenlas publicaciones del autor. 99.60%
Conclusiones y trabajo futuro
Los resultados del proceso de selección de factores
permitieron identificar:
• 4 factores de éxito principales.
• 8 factores de éxito secundarios.
• Los factores de éxito pueden ser considerados
requerimientos de Usuario con una alta probabilidad de
éxito para el desarrollo de sistemas recomendadores.
GraciasJulio Danilo Moya Caisa
Julio.moya4748@utc.edu.ec
Universidad Técnica de Cotopaxi