Revisión sistemática de la literatura de los sistemas de recomendación de contenidos educativos
DOI:
https://doi.org/10.33936/isrtic.v4i2.2770Palabras clave:
Sistemas de recomendación, contenidos, educación superior.Resumen
En la actualidad los Sistemas de Recomendación (RS) de contenido, contribuyen con el propósito de que los docentes posean más herramientas de apoyo para la enseñanza basada en competencias sobre todo en la educación superior. Este
trabajo presenta la fase inicial hacia el desarrollo de un
prototipo de RS de ruta de aprendizaje personalizada. Esta revisión se llevó a cabo explorando el tema central en
bases de datos especializadas en tecnología, analizando el tema principal de una forma sistemática buscando filtrar la información que sirva como base, analizando los puntos más relevantes como las tendencias y los mejores métodos y prácticas empleados en la elaboración de un RS.
Descargas
Citas
Preliminary Study of State of the art”. En: 2019 XIV Latin American Conference on Learning
Technologies (LACLO). Oct. de 2019, págs. 231-236. doi: 10.1109/LACLO49268.2019.00047.
[2] M. Hassan y M. Hamada. “Smart media-based context-aware recommender systems for learning: A
conceptual framework”. En: 2017 16th International Conference on Information Technology Based
Higher Education and Training (ITHET). Jul. de 2017, págs. 1-4. doi: 10.1109/ITHET.2017.
8067805.
[3] V. Garg y R. Tiwari. “Hybrid massive open online course (MOOC) recommendation system using
machine learning”. es. En: (ene. de 2016). Publisher: IET Digital Library, 11 (5 .)-11 (5 .) doi:
10.1049/cp.2016.1479.
[4] Clara Inés Peña y col. “Un sistema de tutoría inteligente adaptativo considerando estilos de apren-
dizaje”. es. En: Revista UIS Ingenierías 1.2 (nov. de 2002). Number: 2, págs. 17-29. issn: 2145-8456.
[5] Demetrio A. Ovalle, Oscar M. Salazar y Néstor D. Duque. “Modelo de Recomendación Personali-
zada en Cursos Virtuales basado en Computación Ubicua y Agentes Inteligentes”. En: Información
tecnológica 25.6 (2014). Publisher: Centro de Información Tecnológica, págs. 131-142. issn: 0718-
0764. doi: 10.4067/S0718-07642014000600016.
[6] L. Zhuhadar y col. “Multi-model Ontology-Based Hybrid Recommender System in E-learning Do-
main”. En: 2009 IEEE/WIC/ACM International Joint Conference on Web Intelligence and Inte-
lligent Agent Technology. Vol. 3. Sep. de 2009, págs. 91-95. doi: 10.1109/WI-IAT.2009.238.
[7] Paula Andrea Rodriguez Marín y col. “Modelo multi-agente para recomendación híbrida de objetos
de aprendizaje.” Inglés. En: Revista Virtual Universidad Católica del Norte, núm. 40, 40 (dic. de
2013), págs. 96-110. issn: 0124-5821.
[8] Beatriz Fernández Reuter y Elena Durán. “Framework de recomendación automática
de contenidos en foros de discusión para entornos de e-learning”. En: Proceedings of the 7th
Euro American Conference on Telematics and Information Systems. EATIS ’14. New York, NY,
USA: Association for Computing Machinery, abr. de 2014, págs. 1-2. isbn: 978-1-4503-2435-9. doi:
10.1145/2590651.2590689.
[9] D. Yanhui y col. “A Group Recommender System for Online Course Study”. En: 2015 7th Interna-
tional Conference on Information Technology in Medicine and Education (ITME). Nov. de 2015,
págs. 318-320. doi: 10.1109/ITME.2015.99.
[10] M. H. Ansari y col. “CodERS: A hybrid recommender system for an E-learning system”. En: 2016
2nd International Conference of Signal Processing and Intelligent Systems (ICSPIS). Dic. de 2016,
págs. 1-5. doi: 10.1109/ICSPIS.2016.7869884.
[11] N. L. Adam y col. “Preliminary study on educational recommender system”. En: 2017 IEEE
Conference on e-Learning, e-Management and e-Services (IC3e). Nov. de 2017, págs. 97-101. doi:
10.1109/IC3e.2017.8409245.
[12] T. Saito e Y. Watanobe. “Learning Path Recommender System based on Recurrent Neural Net-
work”. En: 2018 9th International Conference on Awareness Science and Technology (iCAST).
ISSN: 2325-5994. Sep. de 2018, págs. 324-329. doi: 10.1109/ICAwST.2018.8517231.
[13] Yonghong Tian y col. “College Library Personalized Recommendation System Based on Hybrid Re-
commendation Algorithm”. en. En: Procedia CIRP. 11th CIRP Conference on Industrial Product-
Service Systems 83 (ene. de 2019), págs. 490-494. issn: 2212-8271. doi: 10.1016/j.procir.2019.
04.126.
[14] Noor Ifada y col. “Enhancing the Performance of Library Book Recommendation System by Em-
ploying the Probabilistic-Keyword Model on a Collaborative Filtering Approach”. en. En: Procedia
Computer Science. The 4th International Conference on Computer Science and Computational
Intelligence (ICCSCI 2019) : Enabling Collaboration to Escalate Impact of Research Results for
Society 157 (ene. de 2019), págs. 345-352. issn: 1877-0509. doi: 10.1016/j.procs.2019.08.176.
[15] A. Slim y col. “An Automated Framework to Recommend A Suitable Academic Program, Course
and Instructor”. En: 2019 IEEE Fifth International Conference on Big Data Computing Service
and Applications (BigDataService). Abr. de 2019, págs. 145-150. doi: 10.1109/BigDataService.
2019.00026.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2020 Luis Daniel Álava
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los artículos enviados a esta revista para su publicación serán liberados para su acceso abierto bajo una licencia Creative Commons con Reconocimiento No Comercial Sin Obra Derivada (http://creativecommons.org/licenses/by-nc-nd/4.0)
Los autores mantienen los derechos de autor, y, por lo tanto, son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra bajo las condiciones siguientes: Reconocer los créditos de la obra especificada por el autor e indicar si se realizaron cambios (puede hacerlo de cualquier forma razonable, pero no de una manera que sugiera que el autor respalda el uso que hace de su obra. No utilizar la obra para fines comerciales. En caso de remezcla, transformación o desarrollo, no puede distribuirse el material modificado.
