Aplicación de métodos de diseño centrado en el usuario y minería de datos para definir recomendaciones que promuevan el uso del foro en una experiencia virtual de aprendizaje

  1. Valdiviezo, Priscila M.
  2. Santos, Olga C.
  3. González Boticario, Jesús
Revista:
RIED: revista iberoamericana de educación a distancia

ISSN: 1138-2783

Año de publicación: 2010

Título del ejemplar: Adaptación y accesibilidad de las tecnologías para el aprendizaje

Volumen: 13

Número: 2

Páginas: 237-264

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: RIED: revista iberoamericana de educación a distancia

Resumen

La adopción de sistemas recomendadores en ambientes virtuales de aprendizaje se está convirtiendo en una alternativa; para lograr la adaptación automática requerida, para atender las necesidades de aprendizaje de los estudiantes. Con los datos de interacción, que proveen estos ambientes es posible encontrar indicadores que con la aplicación de técnicas de minería de datos y aprendizaje automático se pueda identificar información relevante, para la definición de recomendaciones. En esta investigación, hemos aplicado técnicas de aprendizaje no supervisado, para la identificación de patrones comunes de interacción con los foros disponibles en un curso de la plataforma OpenACS/dotLRN. Esto facilitará la definición de recomendaciones que ayuden a mejorar la experiencia de aprendizaje de los estudiantes.

Referencias bibliográficas

  • Adomavicius, G.; Tuzhilin, A. (2005). Toward the Next Generation of Recommender Systems: A Survey of the State-of-the- Art and Possible Extensions. IEEE Transactions on Knowledge and Data Engineering, vol. 17, no. 6, June.
  • Anaya, A.; Boticario, J. G. (2010). Application of machine learning techniques to analyse student interactions and improve the collaboration process. Expert Systems with Applications: Special Issue on Computer Supported Cooperative Work in Design. (In Press).
  • Boticario, J. G.; Anaya, A. (2009). Clustering Learners according to their Collaboration. In Proceedings of the 13th international conference on computer supported cooperative work in design (CSCWD 2009), IEEE Computer Society Press.
  • Couchet, J. ; Santos O.C. ; Raffenne E. ; Boticario J. G. (2008). The Tracking and Auditing Module for the OpenACS Framework, 7th OPENACS / .LRN Conference, Valencia, España. November 18-19.
  • Drachsler, H.; Hummel, H.; Koper, R. (2008) Personal recommender systems for learners in lifelong learning networks: the requirements, techniques and model. International Journal of Learning Technology (IJLT), Vol. 3, No. 4.
  • García, C.; Gómez, I. (2009). Algoritmos de aprendizaje: KNN & KMEANS. [en línea] Disponible en: http://www.it.uc3m.es/ jvillena/irc/practicas/08-09/06.pdf [consulta 2010, 10 de febrero]
  • García, E.; Romero, C.; Ventura, S.; Castro, C. (2009). An architecture for making recommendations to courseware authors using association rule mining and collaborative filtering. User Modeling and User-Adapted Interaction, Volume 19, 99–132.
  • Mejía, C., Mancera, L., Gómez, S., Baldiris, S., Fabregat, R. (2008). Supporting Competence upon DotLRN through Personalization. 7th OpenACS / .LRN conference. Valencia, España. 18-19 November.
  • Perera, D.; Kay, J.; Yacef, K.; Koprinska, I. (2007). Mining learners’ traces from an online collaboration toolClustering. Proceedings of the 13th International Conference of Artificial Intelligence in Education. Marina del Rey, CA. USA. July.
  • Quincey, E.; Kostkova, P.; Farrell, D. (2009). Visualising web server logs for a Web 1.0 audience using Web 2.0 technologies: eliciting attributes for recommendation and profiling systems. In the Proceedings of the Workshop on Adaptation and Personalization for Web 2.0 in connection with UMAP, June 22- 26.
  • Sanjog, R. ; Mahanti, A. (2008). Filler Items Strategies for E®ective Shilling Attacks. In Workshop on Recommender Systems, Patras, Greece. (ECAI).
  • Santos, O. C., Boticario, J. G. (2004). Supporting a collaborative task in a web-based learning environment with Artificial Intelligence and User Modelling techniques. 6º Simposio Internacional de Informática Educativa (SIIE’04). November 16-18. Caceres, España.
  • Santos, O. C.; Boticario, J. G.; Raffenne, E.; Pastor, R. (2007). Why using dotLRN? UNED use cases. Proceedings of the FLOSS (Free/Libre/Open Source Systems) International Conference, 195- 212.
  • Santos, O.C.; Boticario, J. G. (2008). Users’ experience with a recommender system in an open source standard- based learning management system. In proceedings of the 4yh Symposium on Usability and HCI for Education and Work (USAB)(in press).
  • Santos, O.C., Martin, L., Del Campo, E., Saneiro, M., Mazzone, E., Boticario, J.G., Petrie, H. (2009). User-centered design methods for validating a recommendations model to enrich learning management systems with adaptive navigation support. [en línea] Disponible en: http://www.easy-hub. org/workshops/umap2009/doc/paper7. pdf [consulta 2009, 15 de Septiembre].
  • Santos, O.C.; Rodríguez, A.; Gaudioso, E.; Boticario, J. G. (2003). Helping the tutor to manage a collaborative task in a web-based learning environment. Artificial intelligence in education (AIED): Supplementary Proceedings. Universidad de Sidney, Volume 4, Australia, 153-162.
  • Schank, R. C.; Cleary, C. (1995). Engines for Education. Lawrence Erlbaum. [en línea] Disponible en: http://www.engines4ed.org/hyperbook/ [consulta 2009, 15 de Septiembre].
  • Sierra, B. (2006). Aprendizaje Automático: Conceptos básicos y avanzados. Madrid: Pearson Prentice Hall.
  • Talavera, L.; Gaudioso, E. (2004). Mining Student Data to Characterize Similar Behavior Groups In Unstructured Collaboration Spaces. In Proceedings of the workshop on artificial intelligence in CSCL. 16th European conference on artificial intelligence, ECAI (17-23). Valencia, Spain.
  • Vialardi, C.; Bravo, J.; Shafti, L.; Ortigosa, A. (2009). Recommendation in Higher Education Using Data Mining Techniques. In Educational Data Mining (EDM).
  • Witten, I. H.; Frank, E. (2005). Data Mining: Practical machine learning tools and techniques. 2nd Edition. Morgan Kaufmann.
  • Yu, Z.; et al. (2007). Ontology-Based Semantic Recommendation for ContextAware E-Learning. In Proceedings of the 4th Conference on Ubiquitous Intelligence and Computing, v.4611, Berlin, Heidelberg: Springer, 898-907.
Fuente de los datos: Dialnet