Revisión de estudios sobre análisis de los algoritmos de recomendación para plataformas educativas orientados a la recomendación de recursos didácticos

Melanie Baque Varela; Tatiana Zambrano Solórzano; Christian Torres Morán

doi:10.56124/encriptar.v9i17.006

Autores/as

Melanie Baque Varela Universidad Técnica de Manabí
Tatiana Zambrano Solórzano Universidad Técnica de Manabí
Christian Torres Morán Universidad Técnica de Manabí

DOI:

https://doi.org/10.56124/encriptar.v9i17.006

Palabras clave:

Plataformas educativas, Algoritmos de recomendación, Inteligencia artificial en educación

Resumen

Las plataformas educativas se han convertido en herramientas digitales útiles y dinámicas dentro de las instituciones educativas. Este estudio tiene como objetivo analizar los algoritmos de recomendación utilizados en plataformas educativas, se revisaron 317 estudios y seleccionaron 73 relevantes mediante una metodología sistemática en tres fases: (a) planificación donde se definieron las preguntas sobre la implementación de algoritmos de recomendación; (b) ejecución mediante una búsqueda sistemática de artículos en diversas bases de datos; y (c) análisis evaluando las publicaciones seleccionadas. Los hallazgos indican que los algoritmos de recomendación son fundamentales para la personalización de contenidos educativos. Se clasifican en filtrado colaborativo, filtrado basado en contenido, sistemas híbridos, filtrado demográfico y sistemas basados en conocimiento. Las plataformas que integran estos algoritmos potencian la eficacia del aprendizaje, ayudando a los usuarios a descubrir contenido relevante y adaptado a sus necesidades. La inteligencia artificial se considera en este estudio como una tecnología habilitadora que permite la personalización del aprendizaje, más que como una variable de investigación. Por ello, se destaca la importancia de considerar la diversidad de estilos de aprendizaje y la privacidad de los datos en su implementación. Finalmente, la combinación de algoritmos de recomendación y plataformas educativas tiene un gran potencial para transformar la educación, siempre que se garantice que los usuarios mantengan el control sobre sus datos. De los artículos seleccionados, 15 estudios reportan implementaciones concretas de algoritmos: 40% corresponden a enfoques de deep learning, 20% a filtrado colaborativo, 20% a sistemas híbridos, 13% a sistemas basados en conocimiento y 7% a filtrado demográfico, lo que evidencia una adopción aún limitada de estas últimas aproximaciones.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Al Ka’bi, A. (2023). Proposed artificial intelligence algorithm and deep learning techniques for development of higher education. International Journal of Intelligent Networks, 4, 68-73. https://doi.org/10.1016/j.ijin.2023.03.002

Bi, X., Guo, B., Shi, L., Lu, Y., Feng, L., & Lyu, Z. (2020). A New Affinity Propagation Clustering Algorithm for V2V-Supported VANETs. IEEE Access, 8, 71405-71421. https://doi.org/10.1109/ACCESS.2020.2987968

Bonami, B., Piazentini, L., & Dala-Possa, A. (2020). Educación, Big Data e Inteligencia Artificial: Metodologías mixtas en plataformas digitales. Comunicar: Revista Científica de Comunicación y Educación, 28(65), 43-52. https://doi.org/10.3916/C65-2020-04

Channarong, C., Paosirikul, C., Maneeroj, S., & Takasu, A. (2022). HybridBERT4Rec: A Hybrid (Content-Based Filtering and Collaborative Filtering) Recommender System Based on BERT. IEEE Access, 10, 56193-56206. https://doi.org/10.1109/ACCESS.2022.3177610

Fonseca, B. B., & Cornelio, O. M. (2022). SISTEMAS DE RECOMENDACIÓN PARA LA TOMA DE DECISIONES. ESTADO DEL ARTE: SISTEMAS DE RECOMENDACIÓN PARA LA TOMA DE DECISIONES. UNESUM - Ciencias. Revista Científica Multidisciplinaria, 6(1), Article 1. https://doi.org/10.47230/unesum-ciencias.v6.n1.2022.289

Gracia, C. A. M., Smith, M. L. de de G., Herrera, L. A. G., & Fernández, D. A. G. (2024). Análisis de las Plataformas Educativas Virtuales Utilizadas Durante la Pandemia por Covid-19. Ciencia Latina Revista Científica Multidisciplinar, 8(1), Article 1. https://doi.org/10.37811/cl_rcm.v8i2.10406

Ha, M.-H., & Chen, O. T.-C. (2021). Deep Neural Networks Using Capsule Networks and Skeleton-Based Attentions for Action Recognition. IEEE Access, 9, 6164-6178. https://doi.org/10.1109/ACCESS.2020.3048741

Isinkaye, F. O., Olusanya, M. O., & Singh, P. K. (2024). Deep learning and content-based filtering techniques for improving plant disease identification and treatment recommendations: A comprehensive review. Heliyon, 10(9). https://doi.org/10.1016/j.heliyon.2024.e29583

Javed, U., Shaukat, K., Hameed, I. A., Iqbal, F., Alam, T. M., & Luo, S. (2021). A Review of Content-Based and Context-Based Recommendation Systems. International Journal of Emerging Technologies in Learning (iJET), 16(03), Article 03. https://doi.org/10.3991/ijet.v16i03.18851

Juliani, F., & Maciel, C. D. (2024). Bayesian networks supporting management practices: A multifaceted perspective based on the literature. International Journal of Information Management Data Insights, 4(1), 100231. https://doi.org/10.1016/j.jjimei.2024.100231

Kitchenham, B. (2004). Procedures for Performing Systematic Reviews. Keele, UK, Keele Univ., 33.

Liu, Y., Qu, H., Chen, W., & Mahmud, S. M. H. (2019). An Efficient Deep Learning Model to Infer User Demographic Information From Ratings. IEEE Access, 7, 53125-53135. https://doi.org/10.1109/ACCESS.2019.2911720

Loreti, D., & Visani, G. (2024). Parallel approaches for a decision tree-based explainability algorithm. Future Generation Computer Systems, 158, 308-322. https://doi.org/10.1016/j.future.2024.04.044

Olguín, G. M., Jesús, Y. L. D., & Herrero, M. C. P. de C. (2019). Métricas de similaridad y evaluación para sistemas de recomendación de filtrado colaborativo. Revista de Investigación en Tecnologías de la Información, 7(14), Article 14. https://doi.org/10.36825/RITI.07.14.019

Oubalahcen, H., Tamym, L., & Driss El Ouadghiri, M. lay. (2023). The Use of AI in E-Learning Recommender Systems: A Comprehensive Survey. Procedia Computer Science, 224, 437-442. https://doi.org/10.1016/j.procs.2023.09.061

Pérez, F., Morales, N., & Bajaña, J. (2024). La incidencia de la inteligencia artificial en la educación superior del Ecuador. Polo del Conocimiento, 9(5), 822-837. https://doi.org/10.23857/pc.v9i5.7158

Player, L., Prosser, A. M. B., Thorman, D., Tirion, A. S. C., Whitmarsh, L., Kurz, T., & Shah, P. (2023). Quantifying the importance of socio-demographic, travel-related, and psychological predictors of public acceptability of low emission zones. Journal of Environmental Psychology, 88, 101974. https://doi.org/10.1016/j.jenvp.2023.101974

Quilla, D., Peter, J., Alta, C., Zarela, G., Durand, P., & Jaysson, D. (2021). LOS SISTEMAS DE GESTIÓN DE APRENDIZAJE (LMS) EN LA EDUCACIÓN VIRTUAL. VIRTUAL EDUCATION.

Rajendran, D. P. D., & Sundarraj, R. P. (2021). Using topic models with browsing history in hybrid collaborative filtering recommender system: Experiments with user ratings. International Journal of Information Management Data Insights, 1(2), 100027. https://doi.org/10.1016/j.jjimei.2021.100027

Ridzuan, F., & Zainon, W. M. N. W. (2024). A Review on Data Quality Dimensions for Big Data. Procedia Computer Science, 234, 341-348. https://doi.org/10.1016/j.procs.2024.03.008

Rocamora, A. E., & Salvador, C. C. (2022). Entornos híbridos de enseñanza y aprendizaje para promover la personalización del aprendizaje. RIED-Revista Iberoamericana de Educación a Distancia, 25(1), 225-242. https://doi.org/10.5944/ried.25.1.31489

Samin, H., & Azim, T. (2019). Knowledge Based Recommender System for Academia Using Machine Learning: A Case Study on Higher Education Landscape of Pakistan. IEEE Access, 7, 67081-67093. https://doi.org/10.1109/ACCESS.2019.2912012

Sancán, Y. J. O., & Felipe, M. del R. C. (2022). Revisión de algoritmos de Big Data aplicados a la plataforma educativa Moodle. Serie Científica de la Universidad de las Ciencias Informáticas, 15(5), Article 5.

Sigua, E., Aguilar, B., Pesántez-Cabrera, P., & Maldonado-Mahauad, J. (2020). Proposal for the Design and Evaluation of a Dashboard for the Analysis of Learner Behavior and Dropout Prediction in Moodle. 2020 XV Conferencia Latinoamericana de Tecnologias de Aprendizaje (LACLO), 1-6. https://doi.org/10.1109/LACLO50806.2020.9381148

Sivasankari, R., & Dhilipan, J. (2024). Hybrid scientific article recommendation system with COOT optimization. Data Science and Management, 7(2), 99-107. https://doi.org/10.1016/j.dsm.2023.11.002

Sologuren Insúa, E., Núñez Muñoz, C. G., & González Arrones, M. I. (2019). La implementación de metodologías activas de enseñanza-aprendizaje en educación superior para el desarrollo de las competencias genéricas de innovación y comunicación en los primeros años de Ingeniería. Cuaderno de Pedagogía Universitaria, 16(32), 19-34.

Vargas Murillo, G., & Vargas, G. (2021). DISEÑO Y GESTIÓN DE ENTORNOS VIRTUALES DE APRENDIZAJE DESIGN AND MANAGEMENT OF VIRTUAL LEARNING ENVIRONMENTS DESIGN AND MANAGEMENT OF VIRTUAL LEARNING ENVIRONMENTS. Revista do Hospital das Clínicas, 62.

Wu, W., Wang, B., Zheng, W., Liu, Y., & Yin, L. (2020). Higher Education Online Courses Personalized Recommendation Algorithm Based on Score and Attributes. Journal of Physics: Conference Series, 1673(1), 012025. https://doi.org/10.1088/1742-6596/1673/1/012025

Xie, D.-F., Wang, M.-H., & Zhao, X.-M. (2020). A Spatiotemporal Apriori Approach to Capture Dynamic Associations of Regional Traffic Congestion. IEEE Access, 8, 3695-3709. https://doi.org/10.1109/ACCESS.2019.2962619

Yan, K. (2024). Optimizing an English text reading recommendation model by integrating collaborative filtering algorithm and FastText classification method. Heliyon, 10(9). https://doi.org/10.1016/j.heliyon.2024.e30413

Zhang, B. (2023). Root Cause Analysis of Communication Network Based on Deep Fuzzy Neural Network. IEEE Access, 11, 135855-135863. https://doi.org/10.1109/ACCESS.2023.3337029

Zheng, K., Yang, X., Wang, Y., Wu, Y., & Zheng, X. (2020). Collaborative filtering recommendation algorithm based on variational inference. International Journal of Crowd Science, 4(1), 31-44. https://doi.org/10.1108/IJCS-10-2019-0030