Resumen: La aplicación de las ontologías en el aprendizaje adaptativo contribuyen implementar alternativas tecno – pedagógicas con un profundo fundamento computacional. Para proyectar investigaciones de innovaciones educativas es importante determinar cuáles son los principales pares de variables dependiente (VD) y independiente (VI) que se han estudiado en el último lustro (2015-2019). En esta década, diversos estudios teóricos están presentes en Scopus hasta el 2018 pero no logran identificar por cada publicación la relación VD-VI. Ello motivó a realizar un mapeo sistemático empleando criterios establecidos en el protocolo PRISMA. Se seleccionaron 289 trabajos (ACM Digital Library (94), IEEE Xplorer (100) y Scopus (95)). Al aplicarse rigurosos criterios de inclusión y exclusión se escogieron 53 publicaciones. Se observa que existen resultados en esta área del conocimiento aun así, la aplicación de métodos híbridos que logre integrar sistemas de recomendación de objetos de aprendizaje adaptativos con diversas técnicas de recomendación, por ejemplo: basados por contenido, filtrado colaborativo y en ontologías, es aún incipiente. Se concluye que los pares de variables que mayor frecuencia evidenciaron fueron: VD: sistema de aprendizaje adaptativo – VI: modelo basado en ontologías difusas; VD: evaluación de habilidades – VI: modelo basado en ontologías difusas; VD: objetos de aprendizaje – VI: modelo basado en ontologías; VD: estilos de aprendizaje – VI: modelo basado en ontologías; VD: repositorios de recursos educativos digitales – VI: máquinas de soporte vectorial; VD: clasificación y agrupación de estudiantes – VI: modelo basado en ontologías.
Palabras clave:Aprendizaje adaptativoAprendizaje adaptativo,Mapeo sistemáticoMapeo sistemático,Modelos basados en ontologíasModelos basados en ontologías,Sistemas de recomendaciones semánticosSistemas de recomendaciones semánticos.
Abstract: Adaptive learning is one of the current trends in the training of professionals since it manages to bring learning closer to the student. The application of ontologies in this area contributes to implement techno – pedagogical alternatives with a deep computational theory. To project research of educational innovations, it is important to determine what the main pairs of dependent variables (DV) and Independent (IV) have been studied in the last five years (2015-2019). In this decade, several theoretical studies have been published in Scopus, up until 2018 but not identified by each publication in the VD-VI relationship. Therefore, a systematic map was implemented using the PRISMA protocol. 289 scientific papers (ACM Digital Library (94), IEEE Xplorer (100) and Scopus (95)) were selected. When applying rigorous inclusion and exclusion criteria, 53 publications were chosen. It is observed that there are several results in this area of knowledge, even so, the application of hybrid methods that manage to integrate adaptive learning object recommendation systems with various recommendation techniques is still incipient. It is concluded that the pairs of variables that showed the highest absolute frequency were: DV: adaptive learning system – IV: ontology-based modelling; DV: skills assessment – IV: ontology-based modelling; DV: learning objects – IV: ontology-based modelling; DV: learning styles – IV: ontology-based modelling; DV: repositories of digital educational resources – IV: vector support machines; DV: classification and grouping of students – IV: ontology-based modelling.
Keywords: Adaptive learning, Systematic mapping, Ontology-based models, Recommendation systems.
Resumo: A aplicação de ontologias na aprendizagem adaptativa contribui para a implementação de alternativas técnico-pedagógicas com um profundo embasamento computacional. Para projetar pesquisas sobre inovações educacionais, é importante determinar quais são os principais pares de variáveis dependentes (DV) e independentes (VI) que foram estudados nos últimos cinco anos (2015-2019). Nesta década, diversos estudos teóricos estão presentes na Scopus até 2018, mas não se consegue identificar a relação DV-VI para cada publicação. Isso levou a um mapeamento sistemático usando critérios estabelecidos no protocolo PRISMA. Foram selecionados 289 artigos (ACM Digital Library (94), IEEE Xplorer (100) e Scopus (95)). Aplicando critérios rigorosos de inclusão e exclusão, 53 publicações foram escolhidas. Observa-se que existem resultados nesta área do conhecimento, porém, a aplicação de métodos híbridos que conseguem integrar sistemas de recomendação de objetos de aprendizagem adaptativos com várias técnicas de recomendação, por exemplo: baseada em conteúdo, filtragem colaborativa e ontologias, ainda é incipiente. Conclui-se que os pares de variáveis com maior frequência foram: VD: sistema de aprendizagem adaptativo – VI: modelo baseado em ontologias fuzzy; VD: avaliação de competências – VI: modelo baseado em ontologias fuzzy; VD: objetos de aprendizagem – VI: modelo baseado em ontologias; VD: estilos de aprendizagem – VI: modelo baseado em ontologias; VD: repositórios de recursos educacionais digitais – VI: máquinas de suporte vetorial; VD: classificação e agrupamento de alunos – VI: modelo baseado em ontologias.
Palavras-chave: Aprendizagem adaptativa, Mapeamento sistemático, Modelos baseados em ontologia, Sistemas de recomendação semântica.
Ensino Superior e Tecnologia
El empleo de las ontologías en el aprendizaje adaptativo: una mirada desde un mapeo sistemático
THE USE OF ADAPTIVE LEARNING ONTOLOGIES: A VIEW FROM A SYSTEMATIC MAPPING
O USO DE ONTOLOGIAS NA APRENDIZAGEM ADAPTATIVA: UMA VISÃO A PARTIR DE UM MAPEAMENTO SISTEMÁTICO
Universidade Federal de Minas Gerais
Esta obra está bajo una Licencia Creative Commons Atribución 4.0 Internacional.
Recepción: 27 Mayo 2020
Aprobación: 05 Julio 2020
Una tendencia de innovación educativa, es un producto teórico con posibilidades de transformar un modelo educativo y lograr un cambio significativo (FIDALGO-BLANCO; SEIN-ECHALUCE; GARCÍA-PEÑALVO, 2018).
Diversas son las tendencias que marcan la educación superior del Siglo XXI, entre las que se destacan: realidad aumentada; inteligencia colectiva; aula invertida; ecosistemas de aprendizaje; analíticas de aprendizaje; gamificación; aprendizaje – servicio y los sistemas y aprendizaje adaptativos (NMC HORIZON REPORT, 2019).
La heterogeneidad de los estudiantes exige la adaptación de las tecnologías educativas. Es por ello que esta exigencia es una de los desafíos a cumplir (NMC HORIZON REPORT 2019), siendo una de las 10 tecnologías que más impactan en la educación superior.
La adaptación del aprendizaje está relacionada con las funcionalidades adaptativas presentes en los sistemas de gestión de aprendizaje (en inglés, learning management system o LMS), propiciando una guía para el estudiante y una orientación al docente para planificar los contenidos, las interfaces de usuario y los mecanismos de retroalimentación y evaluación. (GONZÁLEZ; BENCHOFF; HUAPAYA; REMÓN, 2017).
Autores (GARCÍA-ARETIO, 2017; XIE; CHU; HWANG; WANG, 2019; SAINI; GOEL, 2019) declaran la importancia de la adaptación y personalización del aprendizaje para complementar la formación desde una perspectiva colaborativa y activa, no solo desde los LMS sino su incorporación con tecnologías educativas (propias de la educación o con fines educativos) u otras herramientas informáticas que soportan por ejemplo: redes sociales; redes colaborativas; entornos virtuales de investigación científica y comunidades profesionales digitales, que por sus funcionalidades son empleadas en el proceso de aprendizaje.
Es importante aclarar que la personalización y el aprendizaje adaptativo no es lo mismo (REPORTE EDUTRENDS, 2019). La primera se basa fundamentalmente en árboles de decisión que analiza exámenes diagnósticos y el segundo, impulsado por los datos, emplea algoritmos y análisis de los datos. Aun así (KISELEV; YAKUTENKO, 2020), existen diferentes concepciones en las cuáles pueden ser o no consideradas sinónimos.
Existen (ESCAMILLA; CALLEJA; ILLALBA; ESTEBAN; FUERTE; ROMÁN; MADRIGAL, 2014) dos modelos para el diseño de sistemas de aprendizaje adaptativos, como son: Impulsado por el contenido e Impulsado por la evaluación. El primero define el aprendizaje del estudiante en un entorno modular, basado en el monitoreo del desempeño, los metadatos y las interacciones entre el contenido y el estudiante, provee además información formativa y sumativa al profesor para que este pueda ajustar o modificar la instrucción. El segundo, se realiza prácticamente en tiempo real, y se ajusta según el desempeño del estudiante en la evaluación y su dominio del aprendizaje. En ambos, una de las formas de generar adaptabilidad es mediante la identificación de los estilos de aprendizaje, siendo para esto, los objetos de aprendizaje adaptativos y los metadatos cuestiones fundamentales (GONZÁLEZ-FERNÁNDEZ; BECERRA-VÁZQUEZ; OLMOS-CORNEJO, 2018, p. 19).
En esta área de la Informática Educativa, unas de las tendencias para el aprendizaje adaptativo es el empleo de las ontologías. (ÁLVAREZ-LEBRUM, SALAZAR, OVALLE, 2016; CARDONA, VÉLEZ, JARAMILLO, 2018; GUEVARA, AGUILAR, 2019). Estas son “una especificación explícita y formal sobre una conceptualización consensuada” (STUDER; BENJAMINS; FENSEL, 1998, p. 222), definen conceptos, propiedades, relaciones, funciones, restricciones y axiomas; esta conceptualización se representa de una manera formal, legible y utilizable.
Para extender y organizar su vocabulario se especifican reglas para combinar términos y sus relaciones, por lo cual poseen una taxonomía comprensible por un ordenador. La especificación de un dominio es una ontología si presenta dos tipos de componentes: los elementos y las relaciones entre estos. Los principales componentes son: conceptos; individuos, instancias o ejemplares; relaciones y reglas de restricción o axiomas. (GONZÁLEZ, 2016). Según este autor existen diversas clasificaciones según: el área o magnitud de conocimiento; el tipo de agente al que se destine; el grado de abstracción y el razonamiento lógico.
En la última década 2015-2019, diversos estudios teóricos se han publicados en Scopus y muestran el aumento del empleo de las ontologías en la educación, y en especial en el aprendizaje adaptativo y los recursos educativos digitales (AL-YAHYA; GEORGE; ALFARIES, 2015; NAJAFABADI; MAHRIN, 2016; JENSEN, 2017; TARUS; NIU; MUSTAFA, 2017; DANIEL, 2017; GEORGE; LAL, 2019; WU; DER-THANQ, 2020; XIE; CHU; HWANG, WANG, 2019; SAINI; GOEL, 2019). En ellos se analizan cuáles son los principales núcleos teóricos y áreas del conocimiento, destacándose: aprendizaje y rendimiento académico; evaluación de habilidades; los entornos virtuales de enseñanza – aprendizaje (EVEA); el e – learning personalizado (personalización del e – learning como también se le conoce); los repositorios de recursos educativos digitales; el perfil del estudiante y los objetos de aprendizaje (“adaptativos” o no).
Estos trabajos abordan tendencias en la educación hasta el 2018, para ello describen científicamente el contenido de las investigaciones pero no logran identificar por cada estudio la relación entre variables dependientes (VD) e independientes (VI). Lo anterior incide en la determinación de tendencias de las tecnologías educativas asociadas al empleo de las ontologías en la educación con énfasis en el aprendizaje adaptativo.
Las limitaciones expresadas anteriormente motivaron la realización de este trabajo, siendo el objetivo: explorar cuáles son las tendencias asociadas al empleo de las ontologías en la educación con énfasis en el aprendizaje adaptativo. Para ello se realizó un mapeo sistemático a la literatura presente en Scopus, IEEE Xplorer y ACM Digital Library, en el periodo 2015-2019.
El sustento teórico y metodológico de este estudio, sienta sus bases en investigaciones previas (AL-YAHYA; GEORGE; ALFARIES, 2015; NAJAFABADI; MAHRIN, 2016; JENSEN, 2017; TARUS; NIU; MUSTAFA, 2017; DANIEL, 2017; GEORGE; LAL, 2019; WU; DER-THANQ, 2020; XIE; CHU; HWANG; WANG, 2019; SAINI; GOEL, 2019) y en fundamentos psicopedagógicos, didácticos y tecnológicos asociados al constructivismo social.
Este artículo se conforma de la siguiente manera: en la Sección II se explica el método empleado para realizar el mapeo sistemático; a continuación (Sección III y Sección IV) se presentan los resultados y su discusión respectivamente y por último, se abordan las conclusiones del trabajo realizado.
El mapeo sistemático de la literatura es un método que permite determinar tendencias, clasificaciones y agrupaciones a partir del análisis de artículos y trabajos científicos en general.
En esta investigación se exploró en la IEEE Xplorer, Scopus y ACM Digital Library. Se escogieron pues son base de datos y repositorios, respectivamente, en los cuáles se encuentran información científica de alto valor relacionado con la Informática y la Computación aplicada a la Educación.
Para la realización del mapeo sistemático se aplicó el protocolo PRISMA (URRÚTIA; BONFILL, 2010) con anotaciones (NEWSTETTER; SVINICKI, 2014), identificándose tres fases.
Fase 1: Extraer la información científica relacionado con el empleo de las ontologías en la educación con énfasis en el aprendizaje adaptativo perteneciente al periodo 2015-2019. En esta fase de formulan las preguntas de la investigación, los objetivos, palabras claves; los criterios de inclusión y exclusión y la estrategia de extracción de datos.
Fase 2: Su objetivo es clasificar, agrupar y determinar tendencias en el aprendizaje adaptativo. Para lograr esto, se aplican como tareas generales: la identificación de las investigaciones relevantes, selección de los estudios; evaluación de la calidad de las investigaciones y realización del análisis de contenido y estadístico de la información científica.
Fase 3: Discutir y analizar los resultados en el grupo de investigación de Interacción Humano – Computador de la Universidad de las Ciencias Informáticas, Cuba y del grupo de investigación en Educación a Distancia del Centro Nacional de Educación a Distancia de Cuba. Por último, se redacta el documento de investigación.
Método de revisión. Según (NEWSTETTER; SVINICKI, 2014), se debe determinar las preguntas de investigación; el proceso de búsqueda; criterios de selección; la extracción de datos y revisión de la documentación científica. Para reducir el sesgo, el estudio fue desarrollado por tres investigadores. La ejecución del método se realizó entre octubre de 2019 a marzo de 2020.
Preguntas de la investigación: Para su elaboración, se realizaron talleres científicos con expertos utilizando la técnica de lluvia de ideas. Las preguntas fueron:
Pregunta 1 (P1): ¿Cuáles son las relaciones VD y VI investigadas en el periodo 2015 – 2019 asociadas al empleo de las ontologías en la educación con énfasis en el aprendizaje adaptativo?
Pregunta 2 (P2): ¿Qué tipo de estudios predominan?
Pregunta 3 (P3): ¿Cuáles son las universidades y centros de investigación de mayor índice de impacto y cuál es su productividad científica?
Pregunta 4 (P4): ¿Cuáles son las tendencias asociadas al empleo de las ontologías en la educación con énfasis en el aprendizaje adaptativo?
En la implementación de las fases, se emplearon técnicas de búsqueda de información científica en la ACM Digital Library, IEEE Xplorer y Scopus. Se aplicaron combinaciones de los operadores lógicos AND y OR. La ecuación de búsqueda fue “ontology” AND “Higher Education” y se perfilaron con tres palabras claves ‘‘ontology AND personalization of learning environment’’, “ontology AND personalization of e-learning” y “ontology AND adaptative learning” posteriormente los resultados se redujeron a las disciplinas (education, educational research). Se seleccionaron artículos de investigación (research articles), memorias de eventos (conference proceedings) y artículos de revisión (review articles), todos pertenecientes a los años de producción científica: 2015-2019.
Criterios de inclusión y exclusión. Los criterios de inclusión fueron: los resultados obtenidos deben estar relacionado con el empleo de las ontologías en la educación con énfasis en el aprendizaje adaptativo; estar redactados en inglés; ser estudios experimentarles, descripción de propuestas computacionales y estudios teóricos o revisiones (casos excepcionales) de alto impacto en Scopus. Los criterios de exclusión están asociados al nivel de descripción de la propuesta, su relación con el objeto de estudio de las preguntas de la investigación, artículos duplicados, artículos cortos y tutoriales.
Se aplicó la técnica Keywording, (ODUN-AYO; GODDY-WORLU; YAHAYA; GETELOMA, 2019), lo cual implicó el análisis del resumen y palabras claves. A su vez, la identificación de un fundamento pedagógico (constructivismo social) para a partir de este, realizar el análisis de las evidencias encontradas en la búsqueda de información científica.
En el análisis se seleccionaron 289 evidencias. Al aplicarse los criterios de inclusión y exclusión se redujeron a 53. El proceso se sintetiza en la Tabla I.
Fases en el proceso de búsqueda bibliográfica
Elaboración propia
Se establecieron como indicadores bibliométricos:
-
Indicadores de salida: Productividad diacrónica.
-
Indicadores de impacto: Influencia de la producción científica en instituciones y países.
La información se extrajo desde la ACM Digital Library, IEEE Xplorer y Scopus.
Para asegurar la calidad de la literatura seleccionada, se elaboraron criterios y se puntuó cada artículo, siendo los de mayor puntaje los 53 seleccionados. Se destacan los criterios: ¿las soluciones son experimentales o describen alguna herramienta computacional? ¿el estudio está correctamente diseñado? ¿se responden todas las preguntas de la investigación? ¿se identifican las variables? ¿se declaran los métodos empleados?
Para disminuir la amenaza de la validez interna se analizó cada evidencia bajo un procedimiento que incluyó: palabras claves; variables asociadas al empleo de las ontologías en la educación con énfasis en el aprendizaje adaptativo; tipo de investigación y estrategia empleada. Para la validez externa, se descartaron los trabajos que no argumentaban la validación de sus resultados. En cuanto a la validez de conclusión, se desarrolló un formulario y se aplicó la técnica Keywording. Para la validez del constructo relacionado con el sesgo en la selección de estudios, se diseñó el protocolo de revisión abordado anteriormente.
Teniendo en cuenta que el área del conocimiento de las ontologías en la educación con énfasis en el aprendizaje adaptativo, es amplio, se decidió partiendo de lo establecido en la literatura (JENSEN, 2017; TARUS; NIU; MUSTAFA, 2017; DANIEL, 2017; GEORGE; LAL, 2019; WU; DER-THANQ, 2020; XIE; CHU; HWANG; WANG, 2019; SAINI; GOEL, 2019), solo abarcar las siguientes VD: repositorios de recursos educativos digitales; perfil del estudiante; e-learning; objetos de aprendizaje; estilos de aprendizaje; clasificación y agrupación de estudiantes; evaluación de habilidades; EVEA; aprendizaje colaborativo; e-learning personalizado; evaluación académica; motor de búsqueda educativo; sistema de aprendizaje adaptativo y aprendizaje y rendimiento académico.
Considerando el año de producción y teniendo en cuenta que la revisión abarcó solo 2015-2019, se muestra una evolución en la publicación de artículos de la temática en cuestión. Para determinarlo, se grafica en dos direcciones. Primeramente (Figura 1) se representa el porcentaje neto de artículos, es decir, los no duplicados (si se encuentra indexados en IEEE Xplorer y Scopus o Scopus y ACM Digital Library, se asoció solo a Scopus, y si se encuentran en IEEE Xplorer y ACM Digital Library, se asumió solo a la IEEE Xplorer). En la Figura 2, se analizó desde una perspectiva singular.
Figura 1
Producción científica por años en Scopus, IEEE Xplorer y ACM Digital Library
Elaboración propia
Figura 2
Producción científica con énfasis en IEEE Xplorer y ACM Digital Library
Elaboración propia
La productividad científica de los países[1] (Figura 3) evidencia que La India, China, Grecia, Brasil, España, Marruecos, Qatar, Taiwán y Rumanía, son los más destacados. Sin embargo, China, La India, España y Taiwán son los que muestran mayor cantidad de universidades por estudios realizados.
Figura 3
Productividad científica y cantidad de publicaciones por país
Elaboración propia
Al analizar la colaboración científica (Figura 4), China, Francia, España y EEUU, se destacan en la redacción de trabajos con autores de distintos países, mientras que Brasil, China, Italia y Kazajistán, en cuanto a la colaboración con autores procedentes de universidades del propio país. En la figura solo muestran aquellos países que muestran colaboración científica en las dos direcciones que se establecen como indicadores.
Figura 4
Relación países y colaboración científica
Elaboración propia
En cuanto a la P1, los pares de variables VD y VI a analizar, están acordes a los trabajos teóricos publicados anteriormente (AL-YAHYA; GEORGE; ALFARIES, 2015; NAJAFABADI; MAHRIN, 2016; JENSEN, 2017; TARUS; NIU; MUSTAFA, 2017; DANIEL, 2017; GEORGE; LAL, 2019; WU; DER-THANQ, 2020; XIE; CHU; HWANG; WANG, 2019; SAINI; GOEL, 2019).
Entre las VD y VI investigados en el periodo 2015-2019 se destacan (Tabla 1, Tabla 2, Tabla 3), los siguientes pares:
-
Sistema de aprendizaje adaptativo – Modelo basado en ontologías difusas.
-
EVEA – Recomendaciones basadas en conocimientos.
-
Evaluación de habilidades – Modelo basado en ontologías difusas.
-
Clasificación y agrupación de estudiantes – Modelo basado en ontologías.
-
Objetos de aprendizaje – Modelo basado en ontologías.
-
Estilos de aprendizaje – Modelo basado en ontologías.
-
E-learning personalizado – Modelo basado en ontologías
Estos resultados se asemejan a los obtenidos en investigaciones relevantes (citaciones en Scopus) (Tabla 4 y Tabla 5), destacándose los pares:
-
E-learning personalizado – Modelo basado en ontologías
-
Aprendizaje – Modelo basado en ontologías
-
Repositorios de recursos educativos digitales – Máquinas de soporte vectorial
-
Estilos de aprendizaje – Sistema consciente del contexto basado en algoritmos genéticos
-
Estilos de aprendizaje – Modelo basado en ontologías
-
Evaluación de habilidades – Modelo basado en ontologías
-
EVEA – Recomendaciones basadas en conocimientos.
-
EVEA – Técnicas de filtrado colaborativo.
Variables abordadas en las publicaciones analizadas
Elaboración propia
Variables abordadas en las publicaciones analizadas
Elaboración propia
Variables abordadas en las publicaciones analizadas
Elaboración propia
Variables trabajadas en investigaciones relevantes
Elaboración propia
Relación tipos de estudios, variables y autores
Elaboración propia
En cuanto a la P2, se observa que los tipos de estudios predominantes son los no experimentales (76,36%), asociados a la descripción de tecnologías (56,61%) y revisiones teóricas (20,75%) y en un segundo lugar, con diseños experimentales (22,64%). Lo cual hace notar los pocos resultados experimentales presentes en la literatura.
En lo relacionado con la P3, entre las universidades y centros de investigación que mayores índices de impacto y productividad científica tienen (Tabla 6, Tabla 7, Tabla 8) se encuentran[2]: Vellore Institute of Technology; King Saud University; Universidad Politécnica de Valencia; St. Joseph's College of Engineering; Beijing Institute of Technology y Communication University of China.
De los 19 estudios con mayor índice de impacto (n ≥11), el 73,68 % están indexados en Scopus y 26,32 % en la IEEE Xplorer, siendo la Vellore Institute of Technology, la que se destaca en cuanto a la cantidad de publicaciones. A su vez, las de mayores cantidades de citas (n ≥ 132) son: Universidad Politécnica de Valencia; King Abdulaziz University; Covenant University y Communication University of China.
Relación universidades, centros de investigación y productividad científica
Elaboración propia
Relación universidades, centros de investigación y productividad científica
de los autores
Relación universidades, centros de investigación y productividad científica
de los autores
El aprendizaje adaptativo es un enfoque para crear y propiciar experiencias sustentado en un sistema computacional que utiliza, analiza, interpreta y toma de decisiones a partir de los datos, es decir, de la propia retroalimentación propiciada a través de la interacción estudiante–tecnología del aprendizaje, recordando que esta última, no se limita a los LMS sino a todos los recursos informáticos empleados en el proceso educativo.
Para responder la P4, es válido destacar que en el periodo 2004-2015, (NAJAFABADI; MAHRIN, 2016; AL-YAHYA; GEORGE; ALFARIES, 2015) las principales investigaciones abordan que los sistemas de recomendaciones basado en ontologías están dirigidas a determinar el perfil de estudiante y materiales de aprendizaje adaptativos, empleándose en mayor medida la técnica de filtrado colaborativo. En estos años, se destaca el modelado de procesos de enseñanza-aprendizaje reutilizables con XML, UML e IMS-LD y el uso de objetos de aprendizaje, estos últimos (NAJAFABADI; MAHRIN, 2016) siguiendo la siguiente clasificación: (1) modelado y gestión curricular (curriculum modeling and management), posibilitando la adecuación de las unidades de aprendizaje al rendimiento de cada estudiante; (2) descripción de dominios de aprendizaje o del conocimiento (describing learning domains), favoreciendo la recuperación de contenidos y tareas de aprendizaje; (3) la descripción del estudiante basado en sus datos (describing learner data), implicando el aprendizaje adaptativo basado en el desempeño y del rendimiento académico y, por último, (4) la descripción de los servicios del e-learning (describing e-learning services), contribuyendo a la interoperabilidad de los sistemas homogéneos, y (4) la evaluación sustentada en un sistema basado en ontologías (ontology-based assessment system), en la que se integra y marca las respuestas de texto libre a preguntas conceptuales a partir de ontologías de dominio.
En el periodo 2015-2019, las investigaciones asociadas a los sistemas de recomendaciones semánticas, potencian el uso de modelos de espacio vectorial (Vector Space Model (VSM)) con frecuencia de término – frecuencia inversa de documento (Term Frequency-Inverse Document Frequency (TF-IDF)). En ellas se aplican, la recomendación basada en confianza, estableciendo conexiones en las distintas redes sociales académicas o educativas, propiciando alternativas para la evaluación adaptativa; la creación de espacios virtuales de aprendizaje más personalizados y colaborativos.
En este ámbito se incluyen dentro de los modelos basados en ontologías técnicas difusas y la de filtrado colaborativo. (MORADI; AHMADIAN, 2015; KLAŠNJA-MILIĆEVIĆ; IVANOVIĆ; NANOPOULOS, 2015; DASCALU; BODEA; MIHAILESCU; TANASE; ORDOÑEZ DE PABLOS, 2016; NAJAFABADI; MAHRIN, 2016; GOMATHI; RAJAMANI, 2017; TARUS; NIU; MUSTAFA, 2017).
El análisis realizado permite observar una tendencia al desarrollo de objetos de aprendizaje adaptativos (OAA), el cual es adaptable a cualquier contexto. Ellos están compuestos por objetos de aprendizaje; unidades; reglas y metadatos de adaptación. Para lograr un adecuado diseño ingenieril e implementación de los OAA se emplea una arquitectura orientada por ontologías como extensión de la arquitectura orientada por modelos.
Es importante destacar que en este ámbito, es empleado el estándar IEEE-LOM, utilizados para adaptar los objetos de aprendizaje al perfil del estudiante. En esta dirección, se muestra una coincidencia que en los sistemas de recomendación de OAA se empleen diversas técnicas, por ejemplos: basados por contenido (perfil de usuario, identificando necesidades y característica del estudiante), filtrado colaborativo (perfiles de usuario similares según un modelo estadístico) y basado en recomendación semántico (utilizan el conocimiento ontológico para describir los elementos obteniendo una representación profunda y estructurada del contenido). Aunque por tendencia se utiliza una de las tres técnicas, se observa publicaciones que emplean métodos híbridos mejorando la calidad de la recomendación, sin embargo aún son incipientes debido a la problemática de la correspondencia entre usuarios y estrategias adaptativas.
Para evaluar el rendimiento de la recomendación realizada existen distintas métricas las cuáles dependen de la base de datos escogida y de la técnica empleada, ejemplo de ello se observa:
-
Filtrado colaborativo (CHEN; NIU; ZHAO; LI, 2012; ZHAO; NIU; WANG; NIU; LIU, 2015; TARUS; NIU; MUSTAFA, 2017): Los cálculos más comunes son K vecinos más cercanos y el “ajuste” de la similitud del coseno. La semejanza entre los dos elementos se calcula como:
Donde 
es la calificación expresada por el usuario (u) al elemento (i);
es la calificación promedio expresada por (u).
-
Basado en contenido (RICCI, ROKACH, SHAPIRA, 2011; TARUS, NIU, MUSTAFA, 2017): Se emplea el modelo mencionado anteriormente, asociado al de espacio vectorial (Vector Space Model (VSM)) con frecuencia de término – frecuencia inversa de documento (Term Frequency-Inverse Document Frequency (TF-IDF)). El TF – IDF se calcula como:
Donde 
, representa el documento en un espacio vectorial n – dimensional
denota la palabra clave en el documento 
; N es el número de documentos y 
representa la cantidad de documentos en toda la colección en lo que 
aparece al menos una vez.
-
Basado en métodos híbridos (ZHAO; NIU; CHEN; SHI; NIU; LIU, 2015; RODRÍGUEZ; DUQUE; OVALLE, 2016; TIAN; ZHENG; WANG; ZHANG; WU, 2019): Se basan fundamentalmente en la integración de al menos de dos técnicas, empleando para ello los algoritmos ponderados; de conmutación; cascada y las de función de aumento.
-
Basados en sistemas de recomendación semánticos (SANTOS; BOTICARIO, 2013, 2015; AGGARWAL, 2016). Estos están orientados para responder a las principales limitaciones que presentan los métodos anteriores asociadas al arranque en frío (cold-start). Las recomendaciones que se realizan en los OAA no dependen de las valoraciones de los estudiantes sino que están basadas en el conocimiento del dominio. Para ello se integran métodos de retroalimentación de relevancia y de inferencia basados en el dominio. Para medir la calidad de la lista de OAA recomendados se emplea
TD representa el total de OAA recomendados, R(TD) el número de elementos relevantes entre los TD primeros de la lista de recomendación y TR es el número total de elementos relevantes para un usuario u.
El índice de exhaustividad proporciona una medida del sistema para recomendar documentos que puedan ser relevantes para el usuario y el de precisión muestra la habilidad de sistema para evitar el ruido. (UTRERA; SIMÓN, 2017).
También en este periodo 2015–2019, los modelos basados en ontologías, muestran un énfasis en la inclusión de técnicas difusas y métodos híbridos que incluyen algoritmos genéticos para potenciar el aprendizaje adaptativo. (DASCALU; BODEA; MIHAILESCU; TANASE; ORDOÑEZ DE PABLOS, 2016; LABIB; CANÓS; PENADÉS, 2017; MOURIÑO-GARCÍA; PÉREZ-RODRÍGUEZ; ANIDO-RIFÓN; FERNÁNDEZ-IGLESIAS; DARRIBA-BILBAO, 2018; CHENG; ZHANG; SHI, 2018; RIVERA; TAPIALEON; LUJAN-MORA, 2018).
Sin embargo, (OUF ELLATIF; SALAMA; HELMY, 2017), uno de los peligros en el aprendizaje adaptativo es que en el proceso de enseñanza-aprendizaje se utilizan diferentes tecnologías educativas (por ejemplo: LMS; redes académicas y entornos virtuales de investigación científica), y se emplean varios tipos de dominios y distintos tipos de conceptos, dificultando la reutilización del conocimiento entre los sistemas. En este sentido, este autor, elaboró un modelo de aprendizaje adaptativo basado en ontologías, enriquecido por un conjunto de reglas y caracterizado por: un modelo de aprendizaje ontológico; una ontología de objetos de aprendizaje; actividades de aprendizaje basados en ontologías; y un método de enseñanza basado en ontología; superando las debilidades que poseían los modelos: Tangram (PRAMITASARI; HIDAYANTO; AMINAH; KRISNADHI, RAMADHANIE, 2009), Protus (YARANDI; HOSSEINI; HOSSEINI, 2014; YARANDI; JAHANKHANI; TAWIL, 2013) y Selcor (KURILOVAS; ZILINSKIENE; DAGIENE, 2014).
Siguiendo esta concepción, los autores (COSTA; SOUZA; SALVADOR; AMORIM, 2019), proponen un sistema de evaluación de rendimiento académico basado en la integración entre la analítica de aprendizaje y la ontología computacional. Se aprovecha la recogida y análisis de datos en tiempo real en el marco xAPI (estándar de experiencias de aprendizaje). El empleo de este estándar en los LMS le propicia al profesor alternativas para valorar el rendimiento estudiantil desde la interconexión entre el entorno virtual de aprendizaje diseñado y otros sistemas informáticos. Se logra describir un lenguaje común para comunicar los sistemas de software. A su vez, la integración entre xAPI y el SCROM (conjunto de normas y especificaciones orientadas a la formación desde el e-learning) potencian hacia un aprendizaje más personalizado, (GROS; MAINA, 2016; RAMIREZ; COLLAZOS; MOREIRA; FARDOUN, 2018).
Las investigaciones recientes muestran una tendencia hacia la concepción de métodos híbridos en el diseño de modelos basados en ontologías y de los sistemas de recomendaciones basados en ontologías, integrando técnicas de filtrado colaborativo y de de tendencias; así como la coincidencia ontológica y el uso de algoritmos genéticos para realizar la recomendación de contenidos y materiales de aprendizaje.
En coherencia con lo establecido en la literatura científica (TIBANÁ-HERRERA; FERNÁNDEZ-BAJÓN; DE MOYA-ANEGÓN, 2018; GEORGE; LAL, 2019), las investigaciones asociadas a los sistemas de recomendación de OAA y de las ontologías en el aprendizaje adaptativo en sentido general, muestran una tendencia más a lo educativo que a lo técnico. Ello viene aparejado a la conocida relación: pedagogía emergente y tecnología emergente. (ADELL; CASTAÑEDA, 2012; ANDRÉS; JESÚS; DE BENITO, 2018; TURPO-GEBERA; GARCÍA-PEÑALVO, 2019).
El mapeo sistemático permitió identificar la relación entre las VD y VI presentes en 53 estudios procedentes de Scopus, IEEE Xplorer y la ACM Digital Library. A su vez, se clasifican los tipos de estudios que predominan en las investigaciones analizadas y se representan las universidades y centros de investigación de mayor índice de impacto y productividad científica.
En esencia las principales tendencias asociadas al empleo de las ontologías en el aprendizaje adaptativo, son: (1) la inclusión de técnicas difusas, de filtrado colaborativo y métodos híbridos en los modelos basados en ontologías y en los sistemas de recomendación de OAA; (2) la integración de métodos de retroalimentación de relevancia y de inferencia basados en el dominio en los sistemas de recomendaciones semánticos; (3) desarrollo de objetos de aprendizaje adaptativos sustentado en una arquitectura orientada por ontologías como extensión de la arquitectura orientada por modelos; y (4) análisis de datos en tiempo real en el marco xAPI.
Los pares de variables VD y VI presentes en las investigaciones con mayor citación en Scopus y que mayor frecuencia absoluta obtuvieron en los 53 trabajos analizados son: VD: sistema de aprendizaje adaptativo – VI: modelo basado en ontologías difusas; VD: evaluación de habilidades – VI: modelo basado en ontologías difusas; VD: objetos de aprendizaje – VI: modelo basado en ontologías; VD: estilos de aprendizaje – VI: modelo basado en ontologías; VD: repositorios de recursos educativos digitales – VI: máquinas de soporte vectorial; VD: clasificación y agrupación de estudiantes – VI: modelo basado en ontologías; VD: EVEA – VI: Técnicas de filtrado colaborativo.
Entre las principales limitaciones de esta investigación se encuentra la búsqueda bibliográfica solo en la IEEE Xplorer, Scopus y ACM Digital Library, sin embargo estas proveen acceso a literatura científica de alto impacto. Otra carencia es la selección de solo estudios en inglés lo cual pudo descartarse resultados científicos relevantes presentes en otros idiomas como son: el español y el portugués, lo cual amerita profundizar en esta dirección. Por último, es la selección de 53 trabajos, sin embargo, aunque los demás estudios (236 restantes) abordan la aplicación de las ontologías en la educación con énfasis en el aprendizaje adaptativo, no se lograba describir totalmente sus resultados.
Con respecto a futuras líneas de investigación, se propone continuar este trabajo incluyendo otras bases de datos e idiomas. El empleo de las tecnologías computacionales e informáticas asociadas a las ontologías en el aprendizaje adaptativo es una tendencia actual orientada a acercar aún más el aprendizaje al estudiante.
Fases en el proceso de búsqueda bibliográfica
Elaboración propia
Figura 1
Producción científica por años en Scopus, IEEE Xplorer y ACM Digital Library
Elaboración propia
Figura 2
Producción científica con énfasis en IEEE Xplorer y ACM Digital Library
Elaboración propia
Figura 3
Productividad científica y cantidad de publicaciones por país
Elaboración propia
Figura 4
Relación países y colaboración científica
Elaboración propia
Variables abordadas en las publicaciones analizadas
Elaboración propia
Variables abordadas en las publicaciones analizadas
Elaboración propia
Variables abordadas en las publicaciones analizadas
Elaboración propia
Variables trabajadas en investigaciones relevantes
Elaboración propia
Relación tipos de estudios, variables y autores
Elaboración propia
Relación universidades, centros de investigación y productividad científica
Elaboración propia
Relación universidades, centros de investigación y productividad científica
de los autores
Relación universidades, centros de investigación y productividad científica
de los autores
