Modelo de interfaz adaptativa para recomendación de objetos de … · 2017-09-27 · resistance to...

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


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


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


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


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


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.



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



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


perfiles de usuario.

3. Revisión


sistemas multi-

agente.

4. Revisión


sistemas de

recomendación.

5. Revisión


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.



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.



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).



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).



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.



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).



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)



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)



✓ 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).



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.



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)



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



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



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).



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/).



• 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



➢ 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



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:



• 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



• 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.



➢ 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


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.




• 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.


de los usuarios.

Debilidades


➢ 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)



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


➢ 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


➢ El usuario no puede adaptar la interfaz solo el sistema.



• 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)


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.



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.



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



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



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.



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.



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.



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.



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



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.



• 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



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.




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



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



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).



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.



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.



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



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



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.



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.



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



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)


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


Respuesta del sistema carga de OA (formato imagen)



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.


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.



• 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.



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.



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.



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.

Modelo de interfaz adaptativa para recomendación de objetos de … · 2017-09-27 · resistance to...

Documents

Transcript of Modelo de interfaz adaptativa para recomendación de objetos de … · 2017-09-27 · resistance to...