Planeando un recomendador para Sistemas E-learning

Un sistema recomendador, dentro del contexto de aprendizaje electrónico, es un software que trata de recomendar acciones inteligentes basadas en comportamientos previos de otros aprendices. Estas recomendaciones pueden ser actividades en línea, simulaciones o simplemente un recurso web que se encuentra disponible y se puede adaptar a la necesidad del usuario.

Un método popular y ampliamente usado para mantener la información útil de internet a la mano, es usando un gestor de marcadores; generalmente aquellos incorporados en el propio navegador. No obstante, este método tiene algunas desventajas (antes de la aparición de del.icio.us):

• Falta de portabilidad.
• Falta de visibilidad desde diferentes lugares.
• Gestión confusa y complicada.
• Dificultad en la migración entre navegadores.
• Poca adaptabilidad.

Se supone que si un usuario añade una URL a un gestor de marcadores, almacena o imprime un documento, es porque está interesado en la información que contiene ese documento. El principio básico de un recomendador es hacer una sugerencia para un objeto específico, usando las evaluaciones hechas a tal objeto por otros usuarios con intereses similares y en ocasiones dependiendo del contenido de la información de acuerdo al algoritmo utilizado en su construcción.

Los sistemas recomendadores fueron introducidos como una técnica inteligente basada en computadoras para tratar con el problema de sobrecarga de información y productos. Las entidades básicas son el usuario y un ítem; el usuario que utiliza el sistema como tal y los ítems que constituyen la información evaluada. El objetivo principal de un recomendador es generar sugerencias sobre nuevos ítems o predecir la utilidad de un ítem específico para un usuario particular.

Existen variadas técnicas utilizadas en la construcción de un agente recomendador, que son independientes del algoritmo utilizado para la labor como tal; entre ellas, la asociación por reglas, usando minería de datos, utilizando métodos basados en memoria, basados en modelos y patrones, etc.; todas esas agrupadas en categorías como se detalla a continuación:

• Colaborativa: Acumula recomendaciones de usuarios sobre los ítems, identifica similaridades entre usuarios y genera nuevas recomendaciones.
• Demográfica: Clasifica a los usuarios en grupos y hace recomendaciones de acuerdo con el grupo.
• Basada en el contenido: Aprende el perfil del usuario basado en las características de los ítems que él mismo ha jerarquizado y ofrece recomendaciones de acuerdo con su perfil. Esta técnica y la colaborativa crean un modelo a largo plazo, que van actualizando a medida que llegan evidencias.
• Basada en utilidad: Construye generalizaciones a largo plazo, sino que compara la necesidad del usuario con el conjunto de opciones disponible, mediante una función de la utilidad de cada objeto para el usuario.
• Basada en el conocimiento: Dispone de información acerca de cómo un ítem satisface una necesidad del usuario y establece relación entre una necesidad y una recomendación.

En general, los algoritmos de recomendación deben encontrar la preferencia, que se expresa en una de estas 2 formas:

• Predicción: un valor numérico que predice la preferencia del usuario activo, hacia el ítem.
• Recomendación: una lista de los N primeros ítems que el usuario posiblemente prefiere.

Los algoritmos de recomendación pueden basarse en el usuario (en la memoria), o en el ítem (en el modelo). Los algoritmos basados en el usuario usan estadísticas para buscar el conjunto de los usuarios mas similares (vecinos cercanos, o nearest neighbors) y a continuación combinan las preferencias de esos vecinos para producir una predicción o recomendación. Los algoritmos basados en los ítems suponen que un usuario estaría interesado en ítems similares a los que le interesaron antes a ese mismo usuario, y buscan entre el conjunto de ítems que el usuario ha usado y jerarquizado, calculan la similaridad con el ítem objetivo, y seleccionan los mas similares. También se les llama “basados en el modelo”, pues desarrollan primero un modelo de las opiniones de los usuarios, usando técnicas de aprendizaje automático.