Upload
others
View
6
Download
0
Embed Size (px)
Citation preview
Centro Nacional de Investigación y Desarrollo Tecnológico
Subdirección Académica
Departamento de Ciencias Computacionales
TESIS DE MAESTRÍA EN CIENCIAS
Metodología para la Generación de Explicaciones para
Sistemas de Recomendación Sensibles al Contexto
presentada por
Lcc. José Israel Galán Martínez
como requisito para la obtención del grado de
Maestro en Ciencias de la Computación
Director de tesis
Dr. Juan Gabriel González Serna
Codirectora de tesis
Dra. Azucena Montes Rendón
Cuernavaca, Morelos, México. Febrero de 2014.
i
Resumen
Gran parte de la investigación en el área de Sistemas de Recomendación (RS:
Recommender Systems) se centra en el estudio de técnicas de recomendación, estas técnicas
son dependientes del dominio de aplicación, de la efectividad de la técnica, así como de las
métricas para poder evaluarlas. Sin embargo, el estudio de las técnicas de explicación en
sistemas de recomendación ha tomado relevancia ya que han demostrado que mejoran la
experiencia del usuario.
Utilizar estilos de explicación en un sistema de recomendación ayuda al usuario a
entender más rápido la información que le proporciona un RS y a decidir si existe suficiente
evidencia para tomar una recomendación como válida, auxiliándolo en el proceso de toma
de decisiones. Además, los estilos de explicación proponen varios objetivos como la
transparencia, la eficacia, la satisfacción, la persuasión, la eficiencia, la confianza, entre
otros.
En esta tesis se diseñó una metodología para construir texto explicativo que depende
de la técnica de recomendación y de sus objetivos, esta metodología de explicación
proporciona una guía para explicaciones textuales utilizando plantillas con campos
variables. Dicha metodología se evalúo en un (CARS: Context-Aware Recommender
System) sistema de recomendación sensible al contexto (T-Guia, González 2012) que en su
primera versión no cuenta con un servicio para generar explicaciones.
Para evaluar la metodología desarrollada en esta tesis, se aplicaron cuestionarios a
usuarios reales, la evaluación de las técnicas de explicación se realizó mediante un
prototipo Web que permitió realizar una evaluación centrada en el usuario (UCE: user-
centered evaluation) para medir el impacto de las explicaciones en la métrica de confianza.
Los resultados demostraron que las explicaciones mediante plantillas explicativas
combinadas con imágenes obtuvieron mejores evaluaciones en comparación con las
explicaciones presentadas mediante mapas mentales y mapas conceptuales, los resultados
obtenidos fueron los siguientes: Explicaciones textuales con una comprensión de 84.71% y
confianza de 85.25%, explicaciones mediante mapas mentales con una comprensión de
82.00% y confianza de 80.42% y las explicaciones mediante mapas conceptuales con una
comprensión de 76.10% y confianza de 75.50%.
.
.
ii
Abstract
A great deal of the research in the Recommender Systems area is centered in the
study of recommendation techniques; these techniques depend on the context, the
effectiveness of the technique as well as on the metrics in order to evaluate them. However,
the study of the explanation styles in recommender systems has become relevant because
they have shown to improve the user's experience.
Using explanation styles in a recommender system helps the user to more rapidly
understand the information that is provided by a RS and to decide if there is enough
evidence to take a recommender as valid helping the user in the decision making process. In
addition, explanation styles propose several objectives such as transparency, effectiveness,
satisfaction, persuasion, efficiency, and trust among others.
In this thesis it was designed a methodology to build explanatory information that
depends on the recommender technique and on its objectives. This explanation
methodology provides a guide for textual explanations using templates with variable fields.
Such methodology was evaluated in a Context-Aware Recommender System (T-Guia,
González 2012) in its first version which does not have a service to generate explanations.
In order to evaluate the methodology developed in this thesis, real users answered
questionnaires; the evaluation of the explication techniques was carried out by means of a
Web prototype which allowed to carry out a user-centered evaluation UCE in order to
measure the impact of the explications in the trust metrics. The results showed that the
explications by means of explanatory templates in combination with images obtained better
evaluations in comparison with explications presented by means of mind maps and concept
maps. The results obtained are the following: Textual explanations with a comprehension
of 84.71% and trust of 85.25%, explications by means of mind maps with a comprehension
of 82.00 and trust of 80.42% and the explications by means of conceptual maps with a
comprehension of 76.10% and trust of 75.50%.
iii
CONTENIDO
1. Introducción .................................................................................................................... 1
1.1 Introducción ............................................................................................................. 2
1.2 Antecedentes ............................................................................................................ 2
1.3 Planteamiento del problema ..................................................................................... 6
1.4 Objetivo ................................................................................................................... 7
1.5 Justificación ............................................................................................................. 7
1.6 Estructura del documento ........................................................................................ 8
2. Fundamento teórico ......................................................................................................... 9
2.1 Web Semántica ...................................................................................................... 10
2.2 Sistemas de recomendación sensibles al contexto, tipos y técnicas ...................... 12
2.2.1 SR sensibles al contexto ................................................................................. 12
2.2.2 Técnicas de recomendación contextuales ....................................................... 13
2.2.3 SR en ambientes organizacionales ................................................................. 14
2.3 Explicación y Argumentación ............................................................................... 15
2.4 Teoría de la estructura retórica .............................................................................. 17
2.5 Mapas Mentales y Conceptuales ............................................................................ 18
2.5.1 Mapas conceptuales ........................................................................................ 18
2.5.2 Mapas Mentales .............................................................................................. 20
2.6 Taxonomía para la generación de explicaciones en los SR ................................... 23
2.7 Una taxonomía generalizada de estilos de explicaciones para sistemas de
recomendaciones tradicionales y sociales ......................................................................... 24
2.8 Diseño y evaluación de explicaciones para sistemas de recomendación ............... 26
2.9 Framework para la generación de Explicaciones Inteligentes ............................... 27
2.10 Explicando recomendaciones de filtrado colaborativo .......................................... 28
2.11 Explicando recomendaciones: Satisfacción vs. Promoción ................................... 30
2.12 Un agente personal de noticias que habla, aprende y explica ................................ 32
2.13 Recomendación y explicación de puntos de interés .............................................. 34
2.14 El valor de los marcadores del discurso que expresan causalidad en español ....... 35
2.15 Marcadores del discurso, variación dialectal y variación social ............................ 37
iv
2.16 Comparativa de trabajos relacionados ................................................................... 38
2.17 Discusión del estado del arte ................................................................................. 39
3. Metodología para la generación de explicaciones en los SR para la generación
automática de ontologías ...................................................................................................... 41
3.1 Fase de análisis ...................................................................................................... 43
3.1.1 Actividad: Análisis del funcionamiento de los SR y las técnicas utilizadas .. 43
3.1.2 Actividad: Análisis de los estilos de explicación en los SR ........................... 43
3.2 Fase de Diseño ....................................................................................................... 45
3.2.1 Actividad: Identificación de los objetivos de las explicaciones en los SR ..... 45
3.2.2 Actividad: Definición de la estructura sintáctica de las explicaciones ........... 46
3.2.3 Actividad: Personalización y definición de formas de redacción................... 48
3.2.4 Actividad: Presentación de las explicaciones ................................................. 51
3.2.5 Conclusiones ................................................................................................... 64
3.3 Discusión de la metodología .................................................................................. 65
4. Implementación de la metodología para la generación de explicaciones ..................... 66
4.1 Fase de análisis ...................................................................................................... 67
4.1.1 Actividad: Análisis del funcionamiento del SR y las técnicas utilizadas ....... 67
4.1.2 Actividad: Análisis de los estilos de explicación a implementar ................... 72
4.2 Fase de Diseño ....................................................................................................... 73
4.2.1 Actividad: Identificación de los objetivos de las explicaciones en el SR ...... 73
4.2.2 Actividad: Definición de la estructura sintáctica de las explicaciones ........... 74
4.2.3 Actividad: Personalización y definición de formas de redacción................... 76
4.2.4 Actividad: Definición de la Presentación de las explicaciones ...................... 80
5. Pruebas y resultados ...................................................................................................... 83
5.1 Pruebas realizadas a las plantillas explicativas ...................................................... 84
5.2 Medición del impacto de las explicaciones sobre el usuario ................................. 90
5.2.1 Descripción ..................................................................................................... 90
5.2.2 Condiciones, modelo de investigación e hipótesis ......................................... 91
5.2.3 Elección, reclutamiento y procedimiento experimental ................................. 94
5.2.4 Resultados ....................................................................................................... 98
5.2.5 Concentrado de resultados ............................................................................ 111
v
6. Conclusiones ............................................................................................................... 114
6.1 Comentarios finales ............................................................................................. 115
6.2 Contribuciones ..................................................................................................... 116
6.3 Trabajos futuros ................................................................................................... 116
Glosario .............................................................................................................................. 118
Referencias ......................................................................................................................... 120
Anexo A .............................................................................................................................. 125
Anexo B .............................................................................................................................. 138
vi
Índice de figuras
Fig. 1.1 Guiado del sistema T-Guía, primera versión ............................................................ 3
Fig. 1.2 Arquitectura del SRSSC T-Guía, segunda versión ................................................... 4
Fig. 1.3 Modelado multidimensional de la base de hechos .................................................... 5
Fig. 2.1 Ontología de Tiempo, utilizada en (González, 2012) ............................................. 12
Fig. 2.2 Conceptual sobre las plantas (Cañas, 2000) ............................................................ 19
Fig. 3.1 Dimensiones para categorizar los estilos explicativos (Friedrich, 2011) ................ 23
Fig. 3.2 Posibles combinaciones de estilos de explicación, (Papadimitriou, y otros, 2011) 25
Fig. 3.3 Explicación de las recomendaciones, (Baltrunas, y otros, 2011). ........................... 34
Fig. 4.1 Metodología para la generación de explicaciones................................................... 42
Fig. 4.2 Relación Causal ....................................................................................................... 47
Fig. 4.3 Explicación de recomendaciones de proveedores de internet (Felfering , y otros,
2006) ..................................................................................................................................... 52
Fig. 4.4 Recomendaciones de lugares para vacacionar, explicaciones escrutables
(Czarkowski, 2006) .............................................................................................................. 53
Fig. 4.5 Básica, (Tintarev, 2009) .......................................................................................... 53
Fig. 4.6 No-personalizada, característica elegida al azar, (Tintarev, 2009) ......................... 54
Fig. 4.7 No-Personalizadas, (Tintarev, 2009) ....................................................................... 54
Fig. 4.8 Personalizadas, (Tintarev, 2009). ............................................................................ 54
Fig. 4.9 Explicación de recomendaciones hechas a un usuario registrado, tomada de
http://www.amazon.com ....................................................................................................... 55
Fig. 4.10 Explicación de recomendaciones hechas a un usuario no registrado, tomada de
http://www.amazon.com ....................................................................................................... 55
Fig. 4.11 Explicaciones en Facebook, tomada del portal https://www.facebook.com ......... 56
Fig. 4.12 Explicaciones de autos recomendados, tomada del portal www.
MyProductAdvisor.com ....................................................................................................... 56
Fig. 4.13 Explicaciones inteligentes (Zanker y otros, 2010) ................................................ 57
Fig. 4.14 Explicaciones contextuales (Baltrunas y otros 2011) ........................................... 58
Fig. 4.15 Gráfica compleja, (Herlocker, y otros, 2000)........................................................ 59
Fig. 4.16 Histograma de valoraciones de vecinos, (Herlocker, y otros, 2000) ..................... 59
Fig. 4.17 Explicación mediante mapa mental....................................................................... 63
Fig. 4.18 Explicación mediante mapa conceptual ................................................................ 64
Fig. 5.1 Generación del conjunto de similitudes (Lozano, 2013)......................................... 69
Fig. 5.2 Generación de recomendaciones del Filtrado Colaborativo (Lozano, 2013) .......... 69
Fig. 5.3 Sistema de Recomendación Basado en Contenido (Lozano, 2013) ........................ 71
Fig. 5.4 Generación de Modelo de Conocimiento (Lozano, 2013) ...................................... 71
Fig. 5.5 Extracción de información empleada en las recomendaciones ............................... 73
Fig. 5.6 Objetivos de las explicaciones en el en FindIt! (Rodriguez, 2013) ........................ 74
Fig. 5.7 Estructura de las explicaciones ............................................................................... 75
Fig. 5.8 Elementos contenidos en una explicación ............................................................... 80
vii
Fig. 5.9 Ejemplo de explicaciones mediante mapas mentales .............................................. 82
Fig. 5.10 Ejemplo de explicaciones mediante mapas conceptuales ..................................... 82
Fig. 6.1 Modelo de Interacción e hipótesis ........................................................................... 92
Fig. 6.2Primera Etapa Sistema de Registro .......................................................................... 95
Fig. 6.3 Ejemplo de interacción del usuario con las explicaciones ...................................... 96
Fig. 6.4 Ejemplo de evaluación de las explicaciones en el sistema...................................... 96
Fig. 6.5 Número de explicaciones por escenario .................................................................. 97
Fig. 6.6 Texto: Porcentaje obtenido estudiantes G1 ........................................................... 100
Fig. 6.7 Texto: Porcentaje obtenido estudiantes G2 ........................................................... 100
Fig. 6.8Texto: Porcentaje obtenido Profesores ................................................................... 101
Fig. 6.9 Texto: Porcentaje obtenido Empresarios............................................................... 101
Fig. 6.10 Porcentajes obtenidos de las explicaciones textuales por tipo de usuario........... 102
Fig. 6.11 Texto: Comparación de resultados entre tipos de usuario................................... 102
Fig. 6.12 Mapa Mental: Porcentaje obtenido estudiantes G1 ............................................. 103
Fig. 6.13Mapa Mental: Porcentaje obtenido estudiantes G2 .............................................. 103
Fig. 6.14 Mapa Mental: Porcentaje obtenido profesores .................................................... 104
Fig. 6.15 Mapa Mental: Porcentaje obtenido empresarios ................................................. 104
Fig. 6.16 Porcentajes obtenidos de las explicaciones gráficas mediante los mapas mentales,
por tipo de usuario .............................................................................................................. 105
Fig. 6.17 Mapas Mentales: Comparación de resultados entre tipos de usuario.................. 105
Fig. 6.18 Mapa Conceptual: Porcentaje obtenido estudiantes G1 ...................................... 106
Fig. 6.19 Mapa Conceptual: Porcentaje obtenido estudiantes G2 ...................................... 106
Fig. 6.20 Mapa Conceptual: Porcentaje obtenido profesores ............................................. 107
Fig. 6.21 Conceptual: Porcentaje obtenido empresarios .................................................... 107
Fig. 6.22 Porcentajes obtenidos de las explicaciones gráficas mediante los mapas
conceptuales, por tipo de usuario ....................................................................................... 108
Fig. 6.23 Mapas Conceptuales: Comparación de resultados entre tipos de usuario ........... 108
Fig. 6.24 Resultados por tipo de interfaz explicativa ......................................................... 109
Fig. 6.25 Texto: Comparación entre los grupos de estudiantes .......................................... 109
Fig. 6.26Mental: Comparación entre los grupos de estudiantes ......................................... 110
Fig. 6.27 Conceptual: Comparación entre los grupos de estudiantes ................................. 110
Índice de tablas
Tabla 3.1 La media de respuesta de los usuarios de cada interfaz de explicación, se basada
en una escala del uno a siete. Las explicaciones 11 y 12 representan el caso base de ninguna
información adicional. Las filas sombreadas indican las explicaciones con una r respuesta
significativamente diferente de los casos base (Herlocker, y otros, 2000) .......................... 30
Tabla 3.3 Estilo de explicación de libros calificados positivamente .................................... 31
Tabla 3.2 Estilo de explicación de palabra clave.................................................................. 31
viii
Tabla 3.4 La explicación muestra las calificaciones de los vecinos de un usuario, (Bilgic, y
otros, 2005) ........................................................................................................................... 31
Tabla 3.5 Estilo de explicación influencia, (Bilgic, y otros, 2005). ..................................... 32
Tabla 3.6 Marcadores lingüísticos Causales......................................................................... 36
Tabla 3.7 Comparativa de trabajos relacionados .................................................................. 38
Tabla 3.8 Tabla comparativa "Tipo de información utilizada". .......................................... 39
Tabla 4.1 Objetivos de las Explicaciones ............................................................................. 45
Tabla 4.2 Marcadores Lingüísticos ...................................................................................... 47
Tabla 4.3 Interfaz basada en la organización de la información, (Chen, 2006) ................... 60
Tabla 4.4 Palabras clave que influyeron en una recomendación, (Bilgic, y otros, 2005). ... 61
Tabla 4.5 Explicaciones estilo Palabra Clave, (Bilgic, y otros, 2005) ................................. 61
Tabla 4.6 Explicaciones estilo influencia, (Bilgic, y otros, 2005)........................................ 61
Tabla 5.1Estilos de explicación que se emplearan en el trabajo de tesis .............................. 72
Tabla 6.1 Pruebas para Plantillas basadas en Filtrado Colaborativo .................................... 85
Tabla 6.2 Pruebas para Plantillas basadas en Contenido ...................................................... 85
Tabla 6.3 Distribución de casos de prueba de explicaciones creadas .................................. 85
Tabla 6.4 Condiciones del experimento ............................................................................... 91
Tabla 6.5 Tipos de presentación de las explicaciones .......................................................... 93
Tabla 6.6 Clave de corrección de preguntas NEGATIVAS ................................................. 98
Tabla 6.7 Puntajes máximos y mínimos ............................................................................... 98
Tabla 6.8 Distribución del experimento ............................................................................... 99
Tabla 6.9 Escenario 1: Interfaz textual - Estudiantes grupo 1 .............................................. 99
Tabla 6.10 Escenario 1: Puntuación obtenida - Estudiantes Grupo1 ................................. 100
Tabla 6.11 Escenario 2: Puntuación obtenida - Estudiantes Grupo2 ................................. 100
Tabla 6.12 Escenario 3: Puntuación obtenida - Profesores ................................................ 101
Tabla 6. 13 Escenario 4: Puntuación obtenida - Empresarios ............................................ 101
Tabla 6.14 Resultados de las explicaciones textuales ........................................................ 102
Tabla 6.15 Escenario 5: Puntuación obtenida - Estudiantes Grupo1 ................................. 103
Tabla 6.16 Escenario 6: Puntuación obtenida - Estudiantes Grupo2 ................................. 103
Tabla 6.17 Escenario 7: Puntuación obtenida - Profesores ................................................ 104
Tabla 6.18 Escenario 8: Puntuación obtenida - Empresarios ............................................. 104
Tabla 6.19 Resultados de las explicaciones mediante mapas conceptuales ....................... 105
Tabla 6.20 Escenario 9: Puntuación obtenida - Estudiantes Grupo1 ................................. 106
Tabla 6.21Escenario 10: Puntuación obtenida - Estudiantes Grupo2 ................................ 106
Tabla 6.22 Escenario 11: Puntuación obtenida - Profesores .............................................. 107
Tabla 6.23 Escenario 12: Puntuación obtenida - Empresarios ........................................... 107
Tabla 6.24 Resultados de las explicaciones mediante mapas conceptuales ....................... 108
Tabla 6.25Resultados por tipo de interfaz explicativa ....................................................... 109
Tabla 6.26 Texto: Comparación entre los 2 grupos de estudiantes .................................... 110
Tabla 6.27 Mapa Mental: Comparación entre los 2 grupos de estudiantes ........................ 110
Tabla 6.28 Mapa Conceptual: Comparación entre los 2 grupos de estudiantes ................. 110
ix
Tabla 6.29 Concentrado de resultados de las explicaciones textuales ............................... 111
Tabla 6.30 Concentrado de resultados de las explicaciones gráficas de mapas mentales .. 111
Tabla 6.31 Concentrado de resultados de las explicaciones gráficas mediante mapas
conceptuales........................................................................................................................ 111
Tabla 6.32 Resultados generales por tipo de interfaz explicativa ...................................... 112
Tabla 6.33 Comparación entre grupos de estudiantes por interfaz..................................... 112
Tabla B.1 Distribución de Ítems para G1 ........................................................................... 138
Tabla B.2 Distribución de ítems para G2 ........................................................................... 138
Tabla B.3 Distribución ítems para Profesores .................................................................... 138
Tabla B.4 Distribución ítems para de Empresarios ............................................................ 138
Tabla B.5 Preguntas de evaluación .................................................................................... 139
Tabla B.6 Escenario 1: Interfaz Textual – Estudiantes Grupo1 ......................................... 144
Tabla B.7 Escenario 2: Interfaz Textual – Estudiantes Grupo 2 ........................................ 144
Tabla B.8 Escenario3: Interfaz Textual – Profesores/investigadores ................................. 145
Tabla B.9 Escenario 4: Interfaz Textual – Empresarios/otros ............................................ 145
Tabla B.10 Interfaz gráfica mapa mental – Estudiantes Grupo1 ........................................ 146
Tabla B.11 Interfaz gráfica mapa mental – Estudiantes Grupo 2 ....................................... 146
Tabla B.12 Interfaz gráfica mapa mental – Profesores/investigadores .............................. 147
Tabla B.13 Escenario 8: Interfaz gráfica mapa mental – Empresarios/otros ..................... 147
Tabla B.14 Escenario 9: Interfaz gráfica mapa conceptual – Estudiantes Grupo1 ............ 148
Tabla B.15 Escenario 10: Interfaz gráfica mapa conceptual – Estudiantes Grupo 2 ......... 148
Tabla B.16 Escenario 7: Interfaz gráfica mapa conceptual – Profesores/investigadores ... 149
Tabla B.17 Escenario 8: Interfaz gráfica mapa conceptual – Empresarios/otros ............... 149
CAPÍTULO I Introducción
1. Introducción
Capítulo I. Introducción
2
1.1 Introducción
Hoy en día el uso de los sistemas de recomendación (SR) se ha extendido a
diferentes dominios que abarcan más allá del comercio electrónico; gracias a la habilidad
que poseen para proporcionar sugerencias utilizando la información del perfil del usuario y
la información del lugar donde se desenvuelve el mismo; es decir, su contexto (Sadeh,
2006). Un Sistema de Recomendación Sensible al Contexto (SRSC), es un sistema de
cómputo que explota el perfil del usuario y es capaz de reaccionar de manera autónoma a
cambios en su contexto, utilizando diferentes tecnologías como sensores o sistemas de
información.
Debido a esta tendencia tecnológica, los SRSC han tomado gran importancia en las
áreas de investigación y desarrollo de aplicaciones, buscando mejoras en la definición de
los ítems, la captura y manipulación de la información contextual del usuario, la precisión y
rendimiento de los algoritmos de recomendación, así como en el desarrollo e
implementación de explicaciones de las recomendaciones dadas al usuario; aumentando la
confianza del usuario en el proceso de toma de decisiones, entre otros aspectos.
De igual forma surgen las métricas de evaluación centradas en el usuario, donde se
presta especial atención a la utilidad de las recomendaciones y cómo el usuario las utiliza
dentro de su proceso de toma de decisiones. Además se ha reconocido que el
funcionamiento de los SR se basa en un modelo de la caja negra, lo que no permite al
usuario, tener una visión clara acerca del funcionamiento del proceso de recomendación y
tampoco obtener información adicional que acompañe a las recomendaciones más allá de sí
mismas.
Las explicaciones en los SR son información adicional que expone el razonamiento
y la información utilizada en la emisión de una recomendación, por lo tanto, pueden lograr
diferentes objetivos como: mejorar la confianza del usuario, incrementar la satisfacción,
hacer más fácil y rápido la búsqueda de ítems relevantes o convencer a los usuarios de
probar o comprar determinado ítem, entre otros.
En este trabajo de investigación se presenta una metodología para la generación de
explicaciones en los sistemas de recomendación sensibles al contexto, la cual define una
serie de actividades que permiten crear plantillas de texto con campos variables, cuya
finalidad es explicar cada ítem recomendado por el sistema. El entorno multidimensional
que tomamos como escenario para el desarrollo del presente trabajo de tesis es la
plataforma T-Guia (González, 2012), que en la versión actual de esta plataforma no se
cuenta con ningún tipo de servicio de explicación implementado.
1.2 Antecedentes
En el grupo de Sistemas de Recomendación Sensibles al Contexto (por sus siglas en
inglés, CARS) de CENIDET, se ha realizado una serie de trabajos de investigación en el
marco del proyecto T-Guía, que consiste en el desarrollo de un sistema de recomendación
Capítulo I. Introducción
3
semántico sensible al contexto (SRSSC) diseñado para realizar recomendaciones de
personas, objetos de conocimiento, lugares, eventos, actividades, recursos tecnológicos y
servicios a los miembros o visitantes de una organización, con especial énfasis en
Instituciones de Educación Superior (IES).
En (Arjona, 2009), se describe la primera versión del proyecto TGuide.
Originalmente, TGuide que consistía de un sistema de guiado automático; es decir, en base
a la posición inicial del usuario y una tarea determinada (reunión, clase, préstamo de libros,
etc.) se muestra mediante un mapa tipo croquis la ubicación del usuario en tiempo real y la
ubicación final donde se lleva a cabo la tarea. Entre las características de este sistema se
encuentran: desarrollo para teléfonos móviles con sistema operativo Android y utilización
de tecnologías de localización heterogéneas: RFID, QRCodes y GSM. En la Fig. 1.1, se
puede observar el proceso de guiado realizado utilizando T-Guía en su primera versión.
Fig. 1.1 Guiado del sistema T-Guía, primera versión
Después de las pruebas de concepto logradas con la primera versión del sistema T-
Guía, haciendo uso de las tecnologías de la web semántica y de los dispositivos móviles de
última generación, se inicia el desarrollo de la segunda versión. Esta nueva etapa del
sistema T-Guía se enfoca en los distintos elementos susceptibles de recomendación dentro
de los distintos tipos de organizaciones. Se busca obtener un sistema de recomendación
semántico sensible al contexto que incorpore un repositorio de información (base de
hechos) implementado en una red de ontologías capaz de soportar inferencias, un algoritmo
de localización en interiores aprovechando los distintos sensores de los dispositivos
móviles, mapas interactivos basados en los datos contenidos en el repositorio de
información y una nueva interfaz interactiva mediante el uso de técnicas de realidad
aumentada.
Capítulo I. Introducción
4
En (Vargas, 2011) se inicia el modelado de la base de hechos, especificando
aspectos funcionales de una organización y sus competencias. El objetivo de este modelo
consiste en encontrar grupos de trabajo sinérgicos de distintas organizaciones tomando
como base las características de un proyecto. Posteriormente, en (González, 2012) se
presenta una extensión al modelo añadiendo dimensiones adicionales; es decir, se añaden:
modelos que describen dimensiones contextuales como localización y tiempo, modelos que
describen factores genéricos de la organización como publicidad, actividad económica,
infraestructura, objetos de conocimiento y comercio, modelos que complementan la
descripción de las competencias organizacionales como la ocupación, educación y
habilidad de una persona, y modelos que describen las características de los dispositivos e
interfaces utilizadas para la explotación del sistema. En la Fig. 1.3, se muestra el modelo
resultante y la información utilizada de cada elemento.
De igual forma, en (González, 2012) se presenta una nueva arquitectura modular
para el sistema T-Guía, y adquiere el nombre de Sistema de Recomendación Semántico
Sensible al Contexto (SRSSC) Organizacional T-Guía. En la Fig. 1.2, se muestra la nueva
arquitectura del SRSSC Organizacional T-Guía.
Fig. 1.2 Arquitectura del SRSSC T-Guía, segunda versión
Capítulo I. Introducción
5
Fig. 1.3 Modelado multidimensional de la base de hechos
Capítulo I. Introducción
6
El presente trabajo de investigación se deriva de la tesis doctoral de doctoral de
(Alejandres, 2012), que consiste en el desarrollo de una metodología de evaluación
centrada al usuario de SRSCC, cuyo objetivo es desarrollar un modelo de evaluación de
sistemas de recomendación semánticos sensibles al contexto mediante la utilización de
métricas que permitan obtener una valoración de los aspectos subjetivos de la experiencia
del usuario, con base en las características de usabilidad de efectividad, confianza y
satisfacción, analizando escenarios con esquemas de explicación e interfaces multimodales
interactivas. Además se desarrolló a la par y en colaboración con las tesis tituladas
“Framework Adaptativo de Algoritmos de Recomendación para Sistemas de
Recomendación Semánticos Sensibles al Contexto” de (Lozano, 2013) y “Metodología para
la Implementación de Interfaces sobre Dispositivos Multisensoriales Aplicada a Sistemas
de Recomendación Sensibles al Contexto” de (Rodriguez, 2013), en esta última se
desarrolla una nueva versión del T-Guia denominada FindIt!, en la que se integraron todas
las características de realidad aumentada, mapas SVG, diversos algoritmos de
recomendación y las explicaciones.
1.3 Planteamiento del problema
Gran parte de la investigación existente en el área de los SR se ha centrado en el
estudio de las técnicas de recomendación, siendo éstas dependientes para algún dominio de
aplicación particular; también de los factores de éxito de cada técnica; así como de las
métricas para la evaluación de los sistemas.
La medición de la precisión y exhaustividad de los SR, la satisfacción del usuario y
sus derivados tales como la causalidad, la diversidad y la confianza entre otros, son
aspectos cruciales para la aceptación de los sistemas y la construcción de la confianza del
usuario sobre el mismo, en la inclusión de las recomendaciones en el proceso de toma de
decisiones (Tintarev, y otros, 2007).
El estudio de las explicaciones en los SR ha cobrado gran fuerza, ya que juegan un
papel importante en la mejora de la experiencia del usuario ayudándolo en el proceso de
toma de decisiones, por ejemplo: cuando un usuario recibe una explicación, él puede
aceptar una recomendación fácilmente debido a que el sistema aporta transparencia a su
recomendación (Papadimitriou, y otros, 2011).
No obstante, no existe un consenso para la generación de explicaciones en los
sistemas de recomendación y deben considerarse múltiples factores que influyen en su
desarrollo. Tradicionalmente la generación de recomendaciones y por ende de
explicaciones, se orienta hacia un dominio de aplicación particular y por lo tanto se reduce
a trabajar con un solo tipo de ítem a recomendar.
Dentro de este contexto, la problemática asociada a este trabajo se centra en el
desarrollo de una metodología para la generación de explicaciones en los sistemas de
recomendación, considerando diferentes técnicas de recomendación, estilos explicativos,
Capítulo I. Introducción
7
información contextual, estructuración del texto y aspectos como la personalización y la
presentación; que a su vez son aplicados a un conjunto heterogéneo de ítems los cuales son
recomendados a diferentes tipos de usuario.
1.4 Objetivo
Desarrollar una metodología adaptable y extensible para la generación de
explicaciones textuales mediante plantillas, en los sistemas de recomendación, aplicada a
sistemas de recomendación sensibles al contexto”.
Objetivos Específicos
• Analizar los sistemas de recomendación
• Analizar los estilos de explicación en los sistemas de recomendación.
• Analizar los objetivos de las explicaciones en los sistemas de recomendación.
• Definir la estructura sintáctica de las explicaciones.
• Personalizar las explicaciones.
• Definir la presentación de las explicaciones.
• Evaluar el impacto de las explicaciones sobre la confianza del usuario.
1.5 Justificación
Proveer de explicaciones a un sistema de recomendación es un aspecto de suma
importancia ya que proporcionan información adicional al usuario ayudándolo a
comprender la salida del sistema. Con la creación de las explicaciones para el sistema
FindIt! se busca aumentar la confianza del usuario hacia el sistema, y brindar elementos
claros y comprensibles que le ayuden en el proceso de recomendación, exponiendo la
información utilizada para la emisión de una recomendación. Además la metodología
desarrollada servirá como guía marcando las pautas para la generación de explicaciones en
los sistemas de recomendación.
Así, el usuario puede decidir si existe suficiente evidencia para tomarla como
válida. Además de proporcionar otros objetivos implícitos como la satisfacción, la
escrutabiliad y la efectividad
Cuando las recomendaciones son emitidas por el SR, si el usuario tiene dudas sobre
el origen de una recomendación se preguntará: ¿por qué recibo esta recomendación?, por lo
que el SR debe estar capacitado para explicar el razonamiento detrás de la recomendación
emitida. De esta forma, el usuario puede analizar la lógica detrás de la recomendación y
decidir si existe suficiente evidencia para tomarla como válida.
Al considerar la implementación de servicios de explicación en los sistemas de
recomendación, se obtienen los siguientes beneficios:
Capítulo I. Introducción
8
• Facilitan al usuario la selección de ítems de una recomendación dada de
acuerdo a sus necesidades presentes.
• Ayudan al usuario a entender el razonamiento detrás de la recomendación y de
esta forma puede decidir qué tanta confianza dar a un recomendación.
• Optimizan el proceso de toma de decisiones al proporcionarle información
adicional para poder realizar una decisión asertiva.
• Se instruye al usuario sobre el proceso usado para generar la recomendación y
permite un mejor entendimiento de la fortaleza y limitaciones del sistema.
• Aceptación, se brinda mayor aceptación al SR como ayuda para la toma de
decisiones.
Dichos beneficios están estrechamente relacionados con los objetivos de las
explicaciones (Tintarev, y otros, 2007), los cuales son:
• Transparencia: Explica cómo trabaja el SR.
• Escrutabilidad: Permite a los usuarios manejar posibles errores del SR.
• Confianza: Incrementa la confianza del usuario en el SR.
• Efectividad: Ayuda al usuario a tomar decisiones correctas.
• Persuasión: Convence al usuario de probar o comprar determinado ítem.
• Eficiencia: Ayuda a los usuarios a tomar decisiones rápidamente.
• Satisfacción: Incrementa la facilidad de uso del SR.
1.6 Estructura del documento
El presente documento se encuentra organizado en siete capítulos, los cuales
describen el trabajo de investigación en sus diversas etapas como se indica a continuación:
En el capítulo II: Fundamento Teórico, se abordan los temas relevantes para la
presente investigación.
En el capítulo III: Estado del Arte, se presenta la información obtenida de la
investigación sobre los enfoques actuales en el desarrollo de explicaciones en los Sistemas
de Recomendación.
En el capítulo IV: Metodología para la generación de explicaciones, se define
detalladamente la metodología propuesta para la creación de plantillas explicativas
textuales en los sistemas de recomendación.
En el capítulo V: Implementación de la Metodología para la generación de
explicaciones en los SR, se describe el proceso de creación de las plantillas explicativas,
tomando como base las fases presentados en el capítulo anterior.
En el capítulo VI: Pruebas y Resultados, se muestran las pruebas realizadas y los
resultados obtenidos. Con la finalidad de brindar resultados confiables, se realizaron
pruebas a la metodología definida y a las plantillas generadas.
Finalmente en el capítulo VII, se presentan las conclusiones, se identifican las
contribuciones realizadas y los trabajos futuros de la presente investigación.
CAPÍTULO II Fundamento teórico
2. Fundamento teórico
Esta tesis se enfoca en los estilos de explicación para los Sistemas de
Recomendación Sensibles al Contexto (SRSC). Por este motivo en esta sección, se detallan
los temas y conceptos específicos relacionados con áreas relevantes para este trabajo.
Se abordan los conceptos de ontologías; SRSSC, los tipos de técnicas utilizadas en
el proceso de recomendación; las explicaciones en los sistemas de recomendación; el
concepto de heurística y sistemas basados en reglas de inferencia; una introducción a la
teoría de la estructura retorica para el análisis de textos y el análisis de los mapas mentales
y conceptuales.
2.1 Web Semántica
La Web Semántica es una extensión de la Web actual, en la cual se dota de
significado a la información contenida en las páginas Web creando un ambiente donde los
agentes de software pueden realizar tareas sofisticadas (Berners-Lee, y otros, 2001).
La Web Semántica trata de agregar semántica formal (metadatos) al contenido Web
con el propósito de contar con acceso y manejo más eficiente de la información. Como su
importancia radica en la presencia de una gran masa de metadatos, el mayor reto de la
comunidad de la Web Semántica es la adquisición de estos metadatos. Dicha adquisición
puede realizarse con dos enfoques: la adición manual o automática de semántica explícita.
Sin embargo, la adición manual se considera como un enfoque no factible (K. Atanas,
2003) por el enorme esfuerzo de creación manual de metadatos para el enorme volumen de
información contenido en la Web.
Ontologías
En (Hepp, y otros, 2007) se describe cómo los filósofos griegos Sócrates y
Aristóteles fueron los primeros en desarrollar los fundamentos de la ontología. Sócrates
introdujo la noción de las ideas abstractas, una jerarquía entre ellos y las relaciones de
instancia de clase. Aristóteles añadió las asociaciones lógicas, dando como resultado un
modelo bien estructurado, que es capaz de describir el mundo real. Sin embargo, no es
trivial para incluir todas las relaciones amplias y complejas de nuestro entorno.
En la actualidad existen diferentes definiciones para dicho término y una de las
definiciones declarativas más consolidadas es la propuesta por (Gruber, 1995) y ampliada
por (Studer, 1998) que la describe como “una especificación explicita y formal de una
conceptualización compartida.” Es decir, se trata de un modelo abstracto que define
conceptos y relaciones de algún dominio (entendiendo por dominio una porción
determinada de un área de conocimiento), de una forma compartida y consensuada, sus
componentes más relevantes son conceptos, relaciones, funciones, instancias, restricciones
y axiomas que pueden ser entendidos por una computadora esto, es el aspecto formal
(Uschold, y otros, 1996).
Capítulo II. Fundamento teórico
11
El principal objetivo de las ontologías puede verse como la compartición y
reutilización del conocimiento en un dominio o área de conocimiento, de tal forma que se
proporcione una comprensión comúnmente aceptada, clara y precisa para su reutilización.
Las ontologías se utilizan como una técnica de modelado y los elementos que la
componen servirán para representar el conocimiento de algún dominio en específico los
cuales son:
• Conceptos: son las ideas básicas que se intentan formalizar. Aunque muchos
autores los denominan también clases. Los conceptos pueden ser por
ejemplo: clases de objetos, métodos, planes, estrategias, procesos de
razonamiento.
• Relaciones: representan la interacción y enlace entre los conceptos de un
dominio. Suelen formar la taxonomía del dominio. Por ejemplo: subclase-de,
parte-de, parte-exhaustiva-de, conectado-a.
• Funciones: son un tipo concreto de relación donde se identifica un elemento
mediante el cálculo de una función que considera varios elementos de la
ontología. Por ejemplo, pueden aparecer funciones como: asignar-fecha,
categorizar-clase.
• Instancias: se utilizan para representar determinados objetos de un concepto.
• Reglas de restricción o axiomas: son teoremas que se declaran sobre
relaciones que deben cumplir los elementos de la ontología. Los axiomas,
junto con la herencia de conceptos, permiten inferir conocimiento que no
esté indicado explícitamente en la taxonomía de conceptos.
Una ontología se expresa en un lenguaje basado en sistemas lógicos (lenguaje
ontológico) que sirve para almacenar el conocimiento sobre el dominio de interés. Existe
una gran cantidad de lenguajes ontológicos, haciendo una revisión general se pueden
clasificar como (Lendinez, 2009):
Lenguajes para representaciones gráficas (Grafical Notations): Estos lenguajes no
se basan en lenguajes lógicos, sólo en la sintaxis de las ontologías, es decir, en las clases,
las instancias y las propiedades que las relacionan entre sí. Son la base para representar
ontologías gráficamente. Dentro de este grupo encontramos: redes Semánticas, mapas de
conceptos, RDF (Resource Description Framework).
Lenguajes basados en lógica. Se pueden definir como lenguajes formales para
representar la información, de tal forma que pueden realizar inferencias sobre los datos.
Conllevan una sintaxis, que define el tipo de sentencias que pueden darse en el lenguaje, y
una semántica, que define el significado de dichas sentencias. Estos lenguajes se
considerarán como leguajes ontológicos, ya que incluyen en su sintaxis definiciones lógicas
que permiten utilizar razonadores lógicos para inferir resultados. Como lo son los basados
en Lógica Descriptiva (DL Description Logics) OIL, DAML+OIL, OWL; basados en
lógica de primer orden (FOL First Order Logic) KIF; basados en reglas como RuleML,
LP/Prolog, SWRL; los basados en lógicas orden superior, como LBase; Lógicas no clásicas
(F-logic, Non-Monotonic) y los basados en lógicas probabilísticas o difusas (Fuzzy logics)
que suelen ser utilizados por sistemas de redes neuronales.
Capítulo II. Fundamento teórico
12
Una de las ontologías utilizadas en el modelo ontológico multidimensional que se
presenta en el trabajo de (González, 2012), es la ontología llamada “Time ontology”: en esta
ontología, se modela información temporal, tal como: unidades temporales, entidades
temporales, instantes, intervalos, etc. En el modelo semántico propuesto, esta ontología
permite asociar elementos temporales a las actividades y eventos desarrollados en una
organización.
En Fig. 2.1. Se muestra el diagrama de la ontología de tiempo, donde se modela un
espacio temporal, el cual puede ser un evento, instante o intervalo, a su vez el evento puede
ocurrir en un intervalo (intervalo del evento) de tiempo o en un instante (instante del
evento), y el intervalo del espacio temporal tiene propiedades que a su vez tienen
propiedades que se pueden modelar mediante la entidad calendarclockInterval la cual
puede contener: hora, minuto, día, mes, etc.
2.2 Sistemas de recomendación sensibles al contexto, tipos y técnicas
Los sistemas de recomendación (SR) son herramientas de software que proveen un
mecanismo útil para sugerir ítems que son de interés para el usuario (Burke, 2007)
(Mahmood, y otros, 2009) (Resnik, y otros, 1997). Estas recomendaciones se relacionan
con varios procesos para la toma de decisiones como: ¿qué ítems comprar?, ¿qué música
escuchar? o ¿qué noticias leer? Ítem, es el termino general utilizado para nombrar los
elementos que el sistema recomienda al usuario. Generalmente, un SR se enfoca a un
determinado tipo de ítem (música, películas, noticias) y, de acuerdo al diseño del mismo, la
interfaz de usuario y la técnica de recomendación utilizada para la emisión de
recomendaciones se personalizan para ofrecer recomendaciones útiles y efectivas para cada
tipo de ítem.
2.2.1 SR sensibles al contexto
Los sistemas de recomendación semánticos basan su proceso de recomendación
sobre una base de hechos, normalmente definida a través de un esquema de conceptos
Fig. 2.1 Ontología de Tiempo, utilizada en (González, 2012)
Capítulo II. Fundamento teórico
13
(como una taxonomía o un tesauro) o una ontología, y además, para ser considerados como
adaptables al contexto, este tipo de sistemas deben tomar en consideración diferentes
factores (temporales, de lugar, nivel de experiencia del usuario, dispositivo que se está
utilizando en el momento de recibir la recomendación, etc.) para inferir el contexto en que
se encuentra el usuario y adaptar las recomendaciones a esas circunstancias, facilitando el
acceso de los usuarios a la información que necesitan (Peis, y otros, 2008).
Para realizar este proceso de inferencia, las técnicas utilizadas por los SRSCC usan
lo que en (Burke, 2002) se considera conocimiento funcional, es decir, se tiene
conocimiento acerca de cómo un elemento en particular responde a una necesidad
particular del usuario, y por lo tanto, se puede razonar sobre la relación entre una necesidad
y una posible recomendación.
En un sistema de recomendación, el contexto del usuario puede tomar diversas
acepciones como la localización del usuario, identidad de las personas y objetos alrededor
del usuario (Theimer, y otros, 1994), fecha, estación del año, temperatura (Brown, y otros,
1997), información que puede caracterizar la interacción entre un usuario y una aplicación
(Dey, y otros, 2001) o bien el nivel de experiencia del usuario, dispositivos utilizados y sus
características (Peis, y otros, 2008).
En un sistema de recomendación la información que puede obtenerse de las
acciones del usuario puede ser explícita o implícita. La información explicita hace
referencia a la información que el usuario proporciona de forma directa como votar o
contestar una pregunta y la información implícita es aquella que se obtiene del usuario de
forma indirecta a través de la interacción del usuario con un objeto (Ferran, y otros, 2005),
por ejemplo, cuando el usuario visita una página el SR puede obtener información sobre
qué ítems o enlaces ha visitado y cuáles no, durante cuánto tiempo, además de que puede
comparar esa información con el resto de la información obtenida de los diferentes
usuarios. Por otra parte, considerando la información contextual se puede obtener
información adicional como la disponibilidad de algún ítem con respecto al horario, los
ítems a recomendar dependiendo al tipo de usuario, etc.
La inclusión del contexto permite mejorar la calidad de las recomendaciones
entregadas al usuario (Adomavicius, y otros, 2011) ya que se realiza una ponderación del
contexto específico en el cual, se encuentra inmerso el usuario y a partir de la información
contextual es posible descubrir información implícita no contenida en un perfil de usuario.
2.2.2 Técnicas de recomendación contextuales
Un SR puede ofrecer al usuario dos respuestas ante un elemento en específico. Si se
requiere obtener una opinión del usuario anticipada para un ítem no valorado, hablamos de
una predicción o Individual Scoring. Normalmente, se trata de valores numéricos que
representan la posible valoración que un usuario puede otorgar a un ítem que aún no ha
analizado. Las predicciones pueden realizarse por la ponderación de valores entre distintos
ítems de un mismo usuario (item-based) o bien entre valores del mismo ítem entre distintos
usuarios (user-based). Por otro lado, si se requiere un conjunto ordenado de elementos que
Capítulo II. Fundamento teórico
14
satisfaga ciertas características de interés para el usuario, hablamos de una recomendación.
Una recomendación se define como una lista de N ítems que se corresponden con las
preferencias del usuario y se conoce como Top-N Recommendation o Rank Scoring. El
inicio del desarrollo de los SR da origen las técnicas de recomendación:
• Colaborativos: Al usuario se le recomiendan ítems que han sido del agrado de usuarios
con preferencias similares.
• Basados en contenido: Al usuario se le recomiendan ítems basados en lo que le ha
gustado.
• Híbridos: estos sistemas combinan el enfoque basado en contenidos con el enfoque
colaborativo.
• Basados en conocimiento: El conocimiento que proporciona el usuario sobre sus
necesidades y el conocimiento que tiene el sistema sobre las entidades para realizar
recomendaciones de los productos que mejor cubren las necesidades de los usuarios.
2.2.3 SR en ambientes organizacionales
En el ámbito organizacional, la implementación de los SR no ha tenido el mismo
auge que en el comercio electrónico, ya que las organizaciones han centrado su atención en
la recuperación de información. En este sentido los SR representan una alternativa
proactiva a los sistemas de recuperación de información y pueden ser utilizados para la
explotación de la información corporativa. Esto incluye la obtención de información
implícita como habilidades, competencias y redes de personas así como información de
infraestructura, eventos, etc.
Las recomendaciones sobre este tipo de información pueden ser de tres tipos: 1)
sugerencias, presentación al usuario de ítems que pueden serle de utilidad, 2) predicciones,
suposiciones de lo que el usuario puede hacer con el ítem y 3) evaluaciones, presentación
de las opiniones de los usuarios sobre un ítem. Estas recomendaciones se realizan sobre el
capital intelectual de la organización, el cual comprende tres vertientes principales: capital
humano, capital estructural y capital relacional (De Castro, y otros, 2010). El capital
humano comprende el conocimiento incorporado a las personas incluyendo experiencia,
capacidades y habilidades. El capital estructural comprende el conocimiento de la
organización incluyendo rutinas, estrategias, manuales, procedimientos, entre otros. Por
último, el capital relacional se constituye de las relaciones de la empresa con distintos
actores del entorno (clientes, proveedores y competidores).
Es así como el enfoque de los SR en este dominio presenta cambios con respecto a
los SR clásicos: se parte de compartir recomendaciones a compartir conocimiento y de
construir comunidades a soportar comunidades (Glance, y otros, 1999). Haciendo uso de
los SR, una organización es capaz de explotar de manera eficiente su capital intelectual y,
de esta forma, obtener un beneficio.
Entre los elementos que pueden ser de interés para un usuario, y por ende
susceptibles de ser recomendados, en un entorno organizacional podemos encontrar
personas expertas en determinada área, documentos sobre temas específicos, eventos dentro
Capítulo II. Fundamento teórico
15
y fuera de la organización, servicios propios y organizaciones externas. Bajo la premisa de
la división del capital intelectual de la organización, podemos agrupar estos elementos bajo
tres rubros:
• Recomendación de personas expertas: la experiencia de una persona en determinada
área es un recurso muy valioso en un entorno organizacional. Esta experiencia es difícil
de representar de forma explícita y para su obtención es necesario realizar análisis del
contenido de los repositorios que contienen este tipo de información. En esta área, los
SR se pueden utilizar para recomendar personas expertas con conocimiento en
resolución de problemas específicos dentro de la organización.
• Recomendación de documentos: dentro de las organizaciones es necesario emplear
esquemas de colaboración con base en grupos de trabajo. Estos grupos producen una
gran cantidad de documentos que contienen conocimiento implícito que resulta valioso
como parte del capital intelectual. Existe una gran cantidad de trabajos enfocados en
administración del conocimiento (knowledge management); es decir, al
almacenamiento y extracción de información de este tipo de documentos, sin embargo
carecen de la pro actividad de los SR. Debido a esto, se han presentado trabajos que se
enfocan en la recuperación de este conocimiento mediante la implementación de SR.
• Recomendación de recursos: se centran en recomendaciones de eventos, servicios y
organizaciones externas que puedan fungir como socios potenciales. Una característica
de este tipo de trabajos es la utilización de información contextual de los usuarios para
mejorar el proceso de emisión de recomendaciones.
2.3 Explicación y Argumentación
De acuerdo a la Real Academia de la Lengua Española una explicación se define
como “Una declaración o exposición de cualquier materia, doctrina o texto con palabras
claras o ejemplos, para que se haga más perceptible.”
Desde el punto de vista de la ciencia moderna, la formulación de leyes y teorías
científicas es lo más adecuado a la hora de prever eventos naturales y controlarlos. De esta
manera, la ciencia dispone de métodos sistemáticos, muy sofisticados, describir los diversos
aspectos de los fenómenos naturales para poder explicarlos (Chirinos, 2006).
Una manera de comprender estos métodos utilizados por la ciencia, ha sido
concebirlos como modos de dar respuestas a cierta clase de preguntas sobre los fenómenos.
En la incesante búsqueda de respuestas, se trata de responder a la pregunta del por qué esos
fenómenos son lo que son y por qué se dan o pueden darse ciertos sucesos.
El término explicación desde la perspectiva científica clásica está restringido, a la
explicación del “por qué” de los hechos; considerándose sólo como explicación científica
aquella que busca su marco y conceptos de referencia únicamente en las relaciones
causales, es decir, “Por qué, dada ciertas condiciones antecedentes, se podría haber
esperado que ocurriese el acontecimiento a explicar” Lambert y Britan 1975.
Capítulo II. Fundamento teórico
16
Por otra parte argumentación proviene del latín “argumentum” que significa prueba
o razón para justificar algo como verdad o como acción razonable.
La teoría de la argumentación parte de los trabajos publicados por Oswald Ducrot y
Jean-Claude Anscombre en los años setenta. En la formulación de Ducrot, argumentar tiene
el valor de “hacer admitir” un razonamiento (sea lógico o no) para poder llegar a una
conclusión que sea aceptable por el destinatario de la enunciación.
Un aspecto fundamental en la teoría de la argumentación es la defensa de la idea de
que es el propio discurso el que propicia la interpretación argumentativa. No son los hechos
extralingüísticos los que imponen una lectura argumentativa en una dirección determinada,
sino la propia lengua. Es la orientación argumentativa interna de los enunciados (y no el
contenido informativo) la que favorece que se espere la continuación de un discurso en un
sentido determinado en virtud de una serie de inferencias (Pons, 2003).
En resumen, una argumentación y una explicación pueden tener formas lingüísticas
similares, así como términos comunes de razones, motivos o causas, pero su distinción se
puede apreciar en que la argumentación posee la existencia de una cuestión debatida y de
unos compromisos con posiciones o proposiciones enfrentadas al respecto, pero en la
explicación existe la ausencia o la irrelevancia de estos aspectos dialécticos e intencionales.
Explicaciones en los sistemas de recomendación
Las explicaciones tienen sus orígenes en el área de sistemas expertos, estos sistemas
utilizan un módulo de explicación, mediante el cual pueden proporcionar una explicación al
usuario de por qué está haciendo una pregunta y cómo ha llegado a una conclusión. Este
módulo proporciona beneficios tanto al diseñador del sistema como al usuario. El diseñador
puede usarlo para detectar errores y el usuario se beneficia de la transparencia del sistema.
Actualmente existen varios tipos de explicaciones e implementaciones en los sistemas que
modelan el mundo real.
Las explicaciones en los sistemas de recomendación son información acerca de las
recomendaciones, apoyan los objetivos definidos por el diseñador del sistema de
recomendación (Friedrich, y otros, 2011); cuando un usuario recibe una explicación, puede
aceptar una recomendación fácilmente porque el sistema proporciona la transparencia de su
recomendación (Papadimitriou, y otros, 2011); además de proporcionar diversos objetivos
como se plantean en (Tintarev, 2009).
En (Zanker, y otros, 2010) de definen a las explicaciones de los sistemas de
recomendación como una secuencia de argumentos e= (a, a2,…, an) donde cada argumento
a ∈ e puede ser una frase textual y es un texto en lenguaje natural.
Los estilos explicativos proporcionan un nivel de transparencia a las técnicas de
recomendación (sección 2.2.2), exponiendo los detalles del proceso de razonamiento y la
Capítulo II. Fundamento teórico
17
información utilizada para la emisión de una recomendación. Las explicaciones tienen
distintos objetivos como: mejorar la confianza del usuario, incrementar la satisfacción de
los resultados obtenidos, hacer más fácil y rápida la búsqueda de ítems relevantes e influir
en la decisión del usuario para seleccionar determinado ítem. Ante las recomendaciones
emitidas por el SR, si el usuario tiene dudas sobre el origen de una de ellas se preguntará:
¿por qué recibí esta recomendación?, para responder esta pregunta el SR debe ser capaz de
explicar por qué ha realizado su sugerencia. De esta forma, el usuario puede analizar la
lógica detrás de la recomendación y decidir si existe suficiente evidencia para tomarla
como válida. Para generar explicaciones convincentes, se deben considerar varios atributos
que contribuyen para la aceptación de una recomendación y su utilización en la toma de
decisiones. Entre estos atributos se destacan: transparencia, confianza, efectividad,
persuasión, eficiencia, satisfacción, etc.
2.4 Teoría de la estructura retórica
La Teoría de la Estructura Retórica (RST) se originó en los estudios sobre la
generación automática de textos. En 1983 Bill Mann, Sandy Thompson y Christian
Matthiessen observaron que existía una carencia de alguna teoría de la estructura o la
función del discurso que soportara la programación de un generador automático de textos.
Por lo que la RST se concibió a partir de estudios de textos editados o preparados,
procedentes de una amplia variedad de fuentes. En la actualidad, la teoría tiene validez y
consideración dentro de la lingüística independientemente de sus usos computacionales.
La función de la RST es ofrecer una explicación de la coherencia del texto. Una
formulación de la coherencia propone que es la ausencia de secuencias ilógicas y de
lagunas, es decir, un texto coherente tiene una función (una razón verosímil o aceptable
para su existencia) evidente a los lectores y además, produce la impresión de que “no le
falta nada”. La RST enfatiza la primera parte, la idea de que cada parte tiene un papel
evidente en el texto.
La RST Propone una serie de posibles estructuras, las cuales son diferentes tipos de
unidades fundamentales observables en un texto y que pertenecen a dos niveles diferentes.
El primer nivel comprende las relaciones de coherencia lingüística que son la "nuclearidad"
y las "relaciones". El segundo nivel de unidades comprende a los esquemas.
Es importante señalar la importancia entre el texto y el discurso. Tomando como
definición de texto a un “enunciado o conjunto coherente de enunciados orales o escritos”,
Álvarez (Alvarez, 1996) concibe al texto como una configuración lingüística, como un
conjunto de elementos (palabras, oraciones, etc.) organizados según reglas estrictas de
construcción; y el discurso como la emisión concreta de un texto, por un enunciador
determinado, en una situación de comunicación determinada. El texto funciona como
discurso en una situación determinada.
Para que una secuencia de oraciones sea aceptada como un texto coherente en una
interacción determinada, tiene que cumplir ciertas normas de buena formación textual.
Capítulo II. Fundamento teórico
18
Generalmente las exigencias de la buena formación textual se engloban bajo los términos
de cohesión y coherencia”. La cohesión se refiere a la forma en que las unidades textuales
son enlazadas y la coherencia alude a las relaciones de significados entre dos unidades.
La RST se centra en la descripción del texto y se basa en un conjunto de relaciones
discursivas que pueden darse entre dos porciones de texto: un núcleo y un satélite, dentro
de un discurso; dichas relaciones son llamadas relaciones retóricas o relaciones de
coherencia. El núcleo es la unidad que es más central y se puede interpretar de forma
independiente; el satélite es menos central, generalmente sólo se interpreta en relación con
el núcleo, por lo tanto las relaciones definen el agarre entre estos dos intervalos no
traslapados de texto.
En (Mann, y otros, 1987) exponen 22 relaciones entre las cuales se encuentran las
de justificación y causa. En las relaciones de la RST podemos identificar los marcadores
lingüísticos o marcadores del discurso. Los cuales son “unidades lingüísticas invariables,
no ejercen una función sintáctica en el marco de la predicación oracional - son pues,
elementos marginales - y poseen un cometido coincidente en el discurso: el de guiar, de
acuerdo con sus propiedades, las inferencias que se realizan en la comunicación” (Martín
Zorraquino, y otros, 1999).
En concreto estos marcadores lingüísticos son un conjunto de términos que
establecen relaciones entre intervalos textuales. Por ejemplo, la relación Causa-Efecto:
Con la indicación de la causa formulada en el primer segmento del discurso (S1) el
enunciado que contiene el marcador (S2) introduce la consecuencia, resultado o efecto. En
vista de esto/eso/ello, a/por causa de esto/eso/ello, así pues.
En resumen la RTS proporciona una base funcional para el estudio de las formas
específicas del texto que tienen relevancia en el discurso: los marcadores del discurso y
otros marcadores formales de la estructura del discurso. Si la RST encuentra estructura
dentro de una oración, se establece la base para estudiar las funciones de diferentes
métodos de unión de cláusulas y las relaciones entre estas formas de estructura discursiva,
así como la cohesión.
2.5 Mapas Mentales y Conceptuales
2.5.1 Mapas conceptuales
Los mapas conceptuales, fueron desarrollados por Novak en los años 70, se usan
como un medio para la descripción y comunicación de conceptos dentro de la teoría de
asimilación, una teoría del aprendizaje que ha tenido una enorme influencia en la
educación. La teoría está basada en un modelo constructivista de los procesos cognitivos
humanos, es decir describe cómo el estudiante adquiere conceptos, y cómo se organizan en
su estructura cognitiva (Cañas, y otros, 2000). Los mapas conceptuales expresan
explícitamente las relaciones jerárquicas más relevantes entre un conjunto de conceptos
para captar lo más significativo de un tema; esta relación se describe por medio de palabras
Capítulo II. Fundamento teórico
19
de enlaces formando proposiciones. La forma más simple de un mapa conceptual constaría
de dos conceptos unidos por una palabra de enlace para formar una proposición.
Una característica muy importante de los mapas conceptuales, es que tienen una
jerarquía gráfica, es decir los conceptos más generales se explicitan en la parte superior y
descienden por el mapa, encontrando los conceptos de jerarquía intermedia y luego los más
específicos (Ciliberti, y otros, 1999), por ejemplo en la Fig. 2.2, se muestra un mapa
conceptual sobre plantas. En un mapa mental también es posible expresar la jerarquía de los
conceptos mediante nodos, haciendo gráficos de los diferentes niveles de inclusión, desde
los más generales, hasta los más específicos, además se pueden relacionar distintas ramas
jerárquicas entre sí, mediante enlaces cruzados, estableciendo conexiones o nexos
(Costamanga, 2001). En general para construir un mapa conceptual es necesario identificar
los conceptos, ordenarlos del más general al más específico, enlazar los conceptos y añadir
algunos ejemplos. Es importante señalar que las relaciones subordinadas entre conceptos
pueden cambiar en diferentes segmentos, es decir que cualquier concepto puede elevarse a
una posición superior y seguir manteniendo una relación proposicional significativa con
otros conceptos del mapa.
Por otra parte las redes semánticas son grafos que proporcionan una representación
del conocimiento mediante objetos, propiedades y relaciones, sin ninguna estructura
jerárquica vertical, por lo tanto las conexiones entre nodos se representan por medio de
flechas para guiar el sentido de la lectura. Los nodos de una red semántica están unidos por
arcos, los cuales indican la relación que existe entre ellos, los arcos representan las
relaciones conceptuales. Fueron propuestas por Quillian y Collins en 1968. Su concepción
se basa en la asociación de conocimientos que realiza la mente humana y no requieren
jerarquía grafica vertical.
Fig. 2.2 Conceptual sobre las plantas (Cañas, 2000)
Capítulo II. Fundamento teórico
20
2.5.2 Mapas Mentales
El término mapa mental se le atribuye al psicólogo británico Tony Buzan, el cual lo
define como “Un método de análisis que permite organizar con facilidad los pensamientos
y utilizar al máximo las capacidades mentales" (Buzan, 2002), además los mapas mentales
poseen una estructura común compuesta por ramas que irradian de una imagen central y el
uso de colores, símbolos, dibujos y palabras que se enlazan de manera sencilla y lógica.
Buzan argumenta que los diagramas tradicionales requieren que el lector asimile la
información de izquierda a derecha y de arriba abajo; mientras que lo natural para el
cerebro es explorar toda la página sin un patrón lineal definido; él se basa también en los
hemisferios cerebrales para proponer los mapas mentales como la herramienta válida a la
hora de expresar ideas de forma visual, de tal forma que cada dato se puede representar
como una esfera de la cual pueden irradiar miles de ramificaciones y cada ramificación
representa una asociación que a su vez cuenta con una red infinita de conexiones; y los
mapas mentales son una forma de representar dicho concepto llamado pensamiento radial.
Nancy Branger afirma que los mapas mentales son una técnica que nos permite
entrar a los dominios de nuestra mente de una forma más creativa e inmediatamente ayudan
a organizar proyectos en pocos minutos, estimula la creatividad, supera los obstáculos de la
expresión escrita y ofrece un método eficaz para la producción e intercambio de ideas. El
mapa mental toma en cuenta la manera como el cerebro recolecta, procesa y almacena
información. Su estructura registra una imagen visual que facilita extraer información.
También, como se mencionan en (Rodriguez Piña, y otros, 2008) según el sociólogo
mexicano Antonio Emmanuel Berthier, un mapa mental es una herramienta que permite la
organización y representación de la información con el propósito de facilitar los procesos
de aprendizaje, administración, planeación organizacional, así como el proceso de toma de
decisiones. Berthier afirma que al utilizar un mapa mental se produce un enlazamiento
electro-químico entre los hemisferios cerebrales, haciendo que nuestras capacidades
cognitivas se concentran sobre un mismo objeto y trabajan armónicamente con un mismo
propósito, “esto ocurre gracias a que la actividad lógica y racional controlada por nuestro
hemisferio izquierdo se ve complementada por la capacidad creativa y la disposición
emocional hacia los objetos, reguladas por el hemisferio derecho”. Además explica que el
proceso de creación del mapa reproduce el proceso natural sobre el que opera la
inteligencia, donde toda la actividad cerebral se realiza mediante conexiones
electroquímicas denominadas sinápticas; mediante estas conexiones, las neuronas se
comunican entre ellas para formar una red de almacenamiento y procesamiento de la
información, así cada vez que incorporamos datos nuevos por la vía perceptual o reflexiva,
las conexiones sinápticas forman "circuitos de enlace" por los que fluye la nueva
información y se conecta con la información existente para poder comprenderla. Al igual
que en el cerebro, el Mapa Mental procede mediante la asociación de ideas: una vez
ubicada la idea central se desprenden de ella por asociación “ramas” hacia todas las ideas
relacionadas con ella, mostrando las diferentes dimensiones o aspectos de un mismo tema.
Capítulo II. Fundamento teórico
21
En conclusión, tomando en consideración que es más fácil asimilar la información
cuando se representa por medio de imágenes, como se demuestra en diferentes estudios
como (Perales, y otros, 2005), los mapas mentales permiten conectar, relacionar, expandir y
familiarizarnos con la información de una manera sencilla y eficaz, partiendo de una idea
central de la cual se derivan distintas ramificaciones. Por otra parte, los mapas conceptuales
permiten una representación de relaciones entre conceptos de manera jerárquica que van de
lo general a lo particular, además de que se pueden establecer relaciones entre distintas
ramas jerárquicas.
CAPÍTULO III Estado del arte
3. Estado del Arte
Capítulo III. Estado del arte
23
El contenido de este capítulo abarca el análisis de diferentes estilos y técnicas para
la generación de explicaciones en los sistemas de recomendación. Los trabajos son
presentados de la siguiente manera: como primera instancia muestran trabajos relacionados
con las taxonomías existentes para los estilos de explicación, posteriormente trabajos que
implementan estilos de explicación particulares basados en las técnicas de recomendación
de colaboración, contenido, basados en conocimiento e híbridos, así como la utilización de
descriptores de características para la creación de explicaciones basadas en plantillas de
texto y explicaciones basadas en información contextual, por último, se presenta una
aproximación sobre la teoría de la estructura retórica para analizar e identificar las
relaciones y marcadores causales en los textos.
3.1 Taxonomía para la generación de explicaciones en los SR
En este artículo realizado en la Universidad Alpen-Adria en Klagenfurt Austria
(Friedrich, y otros, 2011) proponen una taxonomía para clasificar y revisar la investigación
en el área de las explicaciones.
Definen a las explicaciones en los SR mediante dos propiedades. Primero, son
información acerca de las recomendaciones. Una recomendación es típicamente una lista
ponderada de ítems. Segundo, las explicaciones apoyan a los objetivos definidos por el
diseñador del SR. A partir de esto, se categorizan las diferentes aproximaciones para la
explicación de recomendaciones basados en los principales principios de diseño. Las tres
dimensiones de la taxonomía se conforman por el modelo de razonamiento, el paradigma
de recomendación y las categorías de información explotadas, como se muestra en la Fig. 3.1.
Para la clasificación del modelo de razonamiento se considera el modelo de caja
blanca, donde las explicaciones revelan, al menos parcialmente, el modelo de razonamiento
empleado para generar las recomendaciones y el modelo de caja negra que calcula las
justificaciones que argumentan por qué una recomendación es verosímil o debe ser de
interés al usuario, a pesar de que el modelo de razonamiento no tomó en cuenta esas
suposiciones.
Los paradigmas de recomendación de filtrado colaborativo y basado en contenido,
así como las recomendaciones basadas en conocimiento, constituyen los tres paradigmas
Fig. 3.1 Dimensiones para categorizar los estilos explicativos (Friedrich, 2011)
Capítulo III. Estado del arte
24
básicos de recomendación. Las explicaciones de modelos de colaboración revelan
relaciones de similitud entre instancias de conceptos. Las explicaciones de caja blanca
basadas en contenido explican las similitudes entre los ítems revelando sus relaciones de
propiedad. En los sistemas basados en conocimiento las explicaciones revelan las
asignaciones de variables (o propiedades y relaciones de requerimientos) y las relaciones de
restricción entre ellos para explicar una recomendación. Una visión unificada es que la
generación de explicaciones explotan las relaciones entre usuarios, ítems y propiedades.
Las categorías de información que pueden ser explotadas para la generación de
explicaciones se caracteriza por tres diferentes aspectos de entrada: El modelo de usuario,
donde las explicaciones son hechas en función de las creencias del sistema acerca de un
usuario específico. El Ítem Recomendado, en la cual una explicación hace declaraciones
acerca de características específicas del ítem recomendado y por último, las alternativas
donde las explicaciones argumentan a favor o en contra de las alternativas para el ítem
recomendado.
También se presenta un ejemplo de cómo diferentes enfoques de explicaciones para
sistemas de recomendación existentes pueden clasificarse según la taxonomía propuesta,
para analizar fácilmente su proceso de funcionamiento.
Estas tres dimensiones no capturan exhaustivamente todos los factores que
determinan la generación de explicaciones para RS. Por ejemplo, las explicaciones pueden
ser analizadas y clasificadas por su presentación u objetivos, además de que el texto, video
o imágenes pueden ser utilizados para explicar la salida de un sistema, el nivel de confianza
que puede generar además de otras consideraciones. Sin embargo, esta taxonomía se
restringe a las dimensiones más comunes que existen actualmente en la literatura y
proporciona una taxonomía útil para el análisis de la generación de explicaciones en los
sistemas de recomendación.
3.2 Una taxonomía generalizada de estilos de explicaciones para sistemas
de recomendaciones tradicionales y sociales
En la universidad Aristotle en Grecia, Alexis Papadimitriou, Panagiotis Symeonidis
y Yannis Manolopoulo proponen una taxonomía para los estilos de explicación
(Papadimitriou, y otros, 2011) que busca separar la dependencia entre el estilo de
explicación y la técnica de recomendación empleada. Ya que este tipo de correspondencia
uno-a-uno puede considerarse como no generalizable y muy simplista.
En la taxonomía propuesta ver Fig. 3.2, se consideran tres recursos fundamentales
que pueden ser utilizados en una explicación: los usuarios, ítems, características, y
cualquier combinación de ellos. Se define (i) el estilo de explicación humana, (ii) el estilo
de explicación ítem y (iii) el estilo de explicación característica y mediante el uso de
cualquier combinación de los estilos antes mencionados, también se define el estilo de
explicación híbrido.
Capítulo III. Estado del arte
25
Las explicaciones que adoptan el estilo de explicación humana utilizan a otros
usuarios y sus preferencias para justificar sus recomendaciones. Usualmente son de la
forma “Los usuarios quienes compraron/calificaron el ítem X también
compraron/calificaron los ítems Y, Z,…”. EL estilo humano se basa en la premisa de que
tanto el usuario objetivo y los usuarios analizados tienen intereses similares.
Los sistemas de recomendación que incorporan el estilo ítem proporcionan
recomendaciones basados en las calificaciones que los usuarios han proporcionado al
sistema. Generalmente las explicaciones son de la forma “El ítem Y se recomendó porque
usted valoró/compró el ítem X”. El mismo principio se aplica a la recomendación de
actividades. En este caso las explicaciones son de la forma “La actividad Y se recomendó
porque usted se interesó en la actividad X”.
Existen muchos tipos de ítems como libros o sitios web, con contenido textual que
puede ser explotado por sus características. Ciertas aproximaciones usan palabras como
características en la explicación, denominadas “basadas en características”. Las
explicaciones que usan el contenido del ítem enfrentan varios desafíos. Una limitación es
que las palabras clave extraídas del contenido representan datos en lugar de metadatos, y
por lo tanto pueden ser de muy bajo nivel. Los enfoques actuales del estilo característica
sólo requieren que el ítem cuente un conjunto de palabras y las frecuencias
correspondientes.
En los años recientes han surgido nuevos sistemas de recomendación que combinan
los estilos de explicación. La combinación de (i) datos de contenido con calificaciones, (ii)
datos de contenido/calificaciones con datos sociales y (iii) datos sociales con datos
geográficos, se está convirtiendo en una forma de diferenciar cuándo solamente un tipo de
dato es tomado en consideración. La idea de un enfoque hibrido sugiere que mediante el
uso de ambos datos (es decir social y calificaciones) es posible superar los defectos de cada
Fig. 3.2 Posibles combinaciones de estilos de explicación, (Papadimitriou, y otros, 2011)
Capítulo III. Estado del arte
26
uno y hacer el resultado de la recomendación más precisa, esta misma idea se encuentra
para las explicaciones.
Como se muestra en la Fig. 3.2, estilo de explicación de un sistema de
recomendación en el primer nivel (Explicaciones 1-D) únicamente puede depender de un
usuario (Human), de una característica del ítem (Feature) o de un ítem (Item). Esto es
porque la información principal que se almacena en el núcleo de una base de datos del
sistema de recomendación hace referencia a usuarios, características de los ítems o ítems.
Por lo tanto, es lógico que produzca explicaciones basadas en sus recursos. El segundo
nivel representa los estilos de explicación los cuales adoptan cualquier combinación de dos
de los estilos anteriores (Explicaciones hibridas 2-D). El tercer nivel comprende los estilos
de explicaciones los cuales adoptan todos los tres estilos de explicación (Explicaciones
hibridas 3-D). Hay que tomar en cuenta que el modelo se puede ampliar fácilmente para
expresar dimensiones de orden superior mediante la incorporación de otros recursos tales
como la dimensión tiempo.
Generalmente los estudios orientados al usuario han sido diseñados para mostrar
diferentes conclusiones y es orientado hacia estilos de explicación específicos. En este
estudio se generalizan los resultados mediante una integración de los resultados de tres
diferentes estudios y con base a los resultados encontrados, el estilo Hibrido es el estilo de
explicación más eficaz y el estilo de explicación favorito del usuario. Teniendo en cuenta
que las conclusiones no pueden ser extraídas fácilmente se toma a cada estilo de
explicación por separado.
3.3 Diseño y evaluación de explicaciones para sistemas de recomendación
En el capítulo 15 del libro titulado “Recommender Systems Handbook” (Tintarev, y
otros, 2011) desarrollado en la Universidad de Aberdeen en Reino Unido, se realizó una
investigación sobre las explicaciones en los SR, esta investigación se realizó desde un
punto de vista evaluativo, enfocada en qué es lo que hace a una explicación “buena” y
propone las pautas para evaluarlas.
La idea principal del trabajo se basa en que las explicaciones desempeñan siete
diversos objetivos en un SR los cuales son: transparencia, escrutabilidad, confianza,
efectividad, persuasión, eficiencia y satisfacción. Estos objetivos son muy distintos entre si,
aunqe pueden interactuar entre ellos el cumplimiento de los mismos resulta en un problema
de trade-off, es decir, en una situación en la cual se debe perder cierta cualidad a cambio de
otra, lo que implica una decisión en la cual se comprende totalmente las ventajas y
desventajas de cada elección, de esta manera difícilmente una explicación puede ajustarse
bien a todos los criterios.
El tipo de explicación que se le proporciona a un usuario muy probablemente es
dependiente de los criterios del diseñador de un SR. Por ejemplo, cuando se construye un
sistema que vende libros uno puede decidir que la confianza del usuario es el aspecto más
importante, ya que conduce a la lealtad del usuario y aumenta las ventas. Para seleccionar
tv-shows, la satisfacción del usuario puede ser más importante que la eficacia, es decir, es
Capítulo III. Estado del arte
27
más importante que un usuario disfrute el servicio, a que se presenten los mejores
espectáculos disponibles. Algunos atributos de las explicaciones pueden contribuir hacia el
logro de objetivos múltiples. Por ejemplo, se puede medir que tan comprensible es una
explicación, que puede contribuir, por ejemplo a la confianza de los usuarios, así como la
satisfacción.
Por otra parte el algoritmo subyacente de un motor de recomendación influye en
cierto grado en los tipos de explicaciones que pueden ser generadas. Las explicaciones
pueden seguir el estilo de un algoritmo particular subyacente o diferentes estilos de
explicación. No obstante, el estilo de explicación puede, o no, reflejar el algoritmo
subyacente por el que las recomendaciones se calculan, es decir las explicaciones, pueden
seguir el estilo de un algoritmo determinado, independientemente de si es así, o no como
las recomendaciones han sido calculadas. Por consiguiente este tipo de explicaciones no
sería compatible con el objetivo de transparencia pero puede apoyar otros objetivos
explicativos.
Se describen diferentes estilos de explicación (basada en colaboración, basada en el
contenido, basada en casos, basada en conocimiento y utilidad y el estilo de explicación
demográfica) sus entradas asumidas, procesos y explicaciones generadas. Además se
presentan ejemplos de estilos de explicación generados mediante los algoritmos más
comunes basados en la clasificación de (Burke, 2002), para cada ejemplo se menciona el
modelo de interacción que se eligió y para los sistemas comerciales donde esta información
no es pública, se ofrecen conjeturas de que algoritmo utilizado.
El este trabajo se ofrecen algunas directrices para los diseñadores de explicaciones
en los SR. El diseñador debe considerar que beneficio ofrecen las explicaciones y por lo
tanto los criterios que estas siguen (transparencia, escrutabilidad, confianza, efectividad,
…); la relación entre en algoritmo subyacente y el tipo de explicaciones que se desea
generar teniendo en cuenta que es posible que las explicaciones generadas no reflejen el
algoritmo subyacente; la forma en que las explicaciones son presentadas; así como la
manera en que los usuarios interactúan con las explicaciones.
3.4 Framework para la generación de Explicaciones Inteligentes
En el trabajo desarrollado por (Zanker, y otros, 2010) en la universidad de
Klagenfurt en Austria, se propone un framework para la generación de explicaciones,
denominadas por los autores explicaciones inteligentes (knowledgeable explanations), las
cuales explotan el dominio de conocimiento para argumentar de forma transparente porqué
un ítem recomendado se ajusta a las preferencias del usuario. Además el trabajo busca
separar el mecanismo de razonamiento utilizado para las recomendaciones de la manera en
que las explicaciones son generadas y pueden ser integradas con sistemas de
recomendación arbitrarios.
Los autores afirman que en los sistemas de recomendación que explotan el dominio
de conocimiento explícito, como por ejemplo los sistemas representados por un “Problema
de Satisfacción de Restricciones”, los pasos de inferencia empleados para la recomendación
Capítulo III. Estado del arte
28
de un ítem pueden ser usados como una explicación y la elaboración de reglas transparentes
que satisfacen un ítem recomendado ayuda a los usuarios a entender mejor como trabaja el
sistema e incrementa su usabilidad percibida.
Presentan un modelo de explicaciones denominado PBExpModel representado por
un grafo acíclico por capas con un nodo de inicio y un nodo de fin, las transiciones que
representan las limitaciones de la formulación de restricciones de un conjunto finito de
variables son dirigidas y conectan 2 nodos, los nodos representan los argumentos que
pueden convertirse en parte de una explicación y la secuencia de los argumentos a lo largo
de una ruta a través del grafo constituye una explicación. Una explicación se define como
una secuencia de argumentos e = ‹a0, a1, a2,…, an› donde cada argumento puede ser una
frase textual y e es un texto en lenguaje natural.
El modelo de explicaciones basado en predicados es definido por una 5-tupla
(X=XI U XU, D, C, Q, E) representado por un conjunto de variables X que modelan las
características de los ítems XI ⊆ X, las características del usuario y sesión XU ⊆ X,
además también pueden incorporarse parámetros contextuales dependiendo del contexto de
la aplicación; el dominio de las variables D definido como una función dom(x) que regresa
un numero finito de asignaciones de variables válidas para cada x ∈ X ; un conjunto Q de
argumentos; un conjunto E de transiciones y un conjunto C = {c1,…, cn} de restricciones
de limitación que representa una base de conocimiento que define cuales combinaciones de
valores se pueden asignar simultáneamente a las variables, cada restricción c ∈ C puede
ser evaluada como verdadera o falsa y es parte de una transición a1.c.a2 ∈ E que conecta
argumentos a1 con a2, con una restricción c.
Se analizó el impacto de las explicaciones inteligentes en un caso de estudio del
mundo real donde los usuarios son asignados arbitrariamente a un SR con y sin
explicaciones. La implementación del sistema se realizó sobre un framework de
recomendación genérico denominado ISeller y se instanció en un escenario de
explicaciones de recomendaciones de “thermal spa resorts” en una plataforma del mundo
real. Se planteó la hipótesis de que las explicaciones hacen una diferencia significativa en la
percepción de los usuarios de un sistema de recomendación y el principal resultado de este
trabajo es que las explicaciones inteligentes incrementan significativamente la utilidad
percibida de los sistemas de recomendación y por consiguiente ayudan a incrementar la
experiencia de interacción del usuario y su intención para usar varias veces el sistema así
como su compromiso para recomendar el sistema a otras personas.
3.5 Explicando recomendaciones de filtrado colaborativo
En la universidad de Minnesota en Minneapolis EU, (Herlocker, y otros, 2000)
realizaron un estudio sobre las interfaces de explicaciones para sistemas automatizados de
filtrado colaborativo ACF. El filtrado de decisiones en ACF tiene la habilidad de filtrar
cualquier tipo de contenido por ejemplo Word art, videos, música, imágenes, entre otros ya
que se basa en decisiones de humanos y no en el análisis de contenido de una máquina.
Estos sistemas permiten a cada usuario calificar ítems que ha experimentado con el fin de
Capítulo III. Estado del arte
29
establecer un perfil de intereses, de este modo el sistema ajusta al usuario con las personas
de gustos o intereses similares y las calificaciones de las personas se usan para generar
recomendaciones para el usuario.
En el trabajo se aborda la problemática de cómo deben ser implementadas y porque
deben ser implementadas. Para explorar el cómo, se presenta un modelo para las
explicaciones basado en el modelo conceptual del proceso de recomendación del usuario.
Para abordar por qué se presenta evidencia experimental que muestra que proporcionar
explicaciones puede mejorar la aceptación de los sistemas ACF.
Los modelos conceptuales que se discuten son el modelo de caja negra, caja blanca
y se aborda brevemente sobre los problemas de los modelos conceptuales mal informados.
En el modelo de caja blanca los usuarios de un sistema ACF se proporcionan mediante las
tres siguientes etapas: 1) El usuario introduce el perfil de puntuaciones, 2) los sistemas
ACF localizan personas con perfiles similares (vecinos) y 3) las puntuaciones de los
vecinos se combinan para formar recomendaciones. La última etapa consiste en explicar los
datos, el proceso de toma de puntuaciones de los vecinos y su agregación en una predicción
final.
Cuando no hay oportunidad o posiblemente no existe el deseo de transmitir el
modelo conceptual del sistema al usuario, el sistema de ACF se convierte en un sistema de
recomendación de caja negra. En estas situaciones, se tiene recurrir a formas de justificar la
recomendación de tal forma que sean independientes de los mecánicos que se producen en
el recomendador de caja negra. Una técnica es utilizar los resultados anteriores del
recomendador como justificación y otra técnica podría ser proporcionar las pruebas
correspondientes que no hayan sido utilizados durante el cálculo de la recomendación.
Cualquier caja blanca se puede ver como una caja negra, centrándose únicamente en las
entradas y salidas. Debido a esto, las formas de explicación para recomendadores de caja
negra deben también ser útiles para proporcionar explicaciones para recomendadores de
caja blanca.
Los usuarios con modelos conceptuales conflictivos rápidamente se dan cuenta de
que las explicaciones no coinciden con sus expectativas y a través del proceso de examinar
la explicación, aprenden el modelo conceptual apropiado. Un problema relacionado se
produce cuando al usuario se le hace creer intencionalmente en un modelo conceptual
incorrecto. Lo que ocurre si se cree que el modelo computacional es demasiado complejo
como para explicarlo, así que los usuarios son conducidos a creer que un proceso simple
más comprensible se está utilizando.
De esta forma los modelos descritos actúan como una guía que puede indicar
posibles áreas clave de la explicación. Sin embargo, hay una enorme cantidad de
información que puede ser explicada de una predicción.
Para poder responder a la pregunta ¿Qué modelos y técnicas son eficaces en el
apoyo a la explicación en un sistema de ACF? Se realizó un experimento con 21 interfaces
de explicaciones para medir cómo los usuarios de un sistema de ACF responden a
diferentes tipos de explicación, cada una derivada de los diferentes componentes de los
modelos de explicación descritos anteriormente Tabla 3.1. Los histogramas de
Capítulo III. Estado del arte
30
puntuaciones resultaron ser las formas más convincentes para explicar los datos detrás de
una predicción. Además, mostrar resultados anteriores; las comparaciones de ítems
similares puntuados, y características de contenido del dominio específico, tales como los
actores y actrices de la película son también formas convincentes para justificar una
recomendación.
Para saber si las explicaciones pueden mejorar la aceptación de los sistemas ACF,
se realizó otro experimento, donde se mostró que la mayoría de los usuarios (86%) ven a
las explicaciones como un componente valioso y les gustaría verlo añadido a su sistema
ACF. Y por último no fue posible probar o refutar la hipótesis de que “las explicaciones
aumentan el rendimiento de filtrado de los usuarios del sistema ACF” debido a diversos
factores como una cantidad considerablemente grande de la varianza no controlada entre
los usuarios y la falta de buenos datos. Sin duda un estudio más controlado revelaría el
verdadero efecto de las explicaciones sobre el rendimiento en la decisión.
3.6 Explicando recomendaciones: Satisfacción vs. Promoción
Mustafa Bilgic y Raymond Mooney de la universidad de Maryland en Washington
y la universidad de Texas respectivamente, presentan dos nuevos métodos para la
explicación de recomendaciones de sistemas basados en contenido y/o colaborativos los
cuales son influence style explanation (ISE) y keyword style explanation (KSE) (Bilgic, y
Tabla 3.1 La media de respuesta de los usuarios de cada interfaz de explicación, se
basada en una escala del uno a siete. Las explicaciones 11 y 12 representan el caso base
de ninguna información adicional. Las filas sombreadas indican las explicaciones con
una r respuesta significativamente diferente de los casos base (Herlocker, y otros, 2000)
Capítulo III. Estado del arte
31
otros, 2005) y se compara su desempeño con el neighbor style explanation presentado en
(Herlocker, y otros, 2000). El sistema de recomendación sobre el que fue probado se
denomina LIBRA, que es un recomendador de libros, utiliza un enfoque de recomendación
hibrido de filtrado colaborativo basado en contenido. Ellos afirman que la aportación más
importante de las explicaciones no es convencer a los usuarios a adoptar las
recomendaciones (promoción), sino que puedan tomar decisiones más informadas y
precisas sobre qué recomendaciones utilizar (satisfacción). Una buena explicación es la
que ilumina con precisión las razones detrás de una recomendación y permite a los usuarios
diferenciar correctamente entre propuestas sólidas y selecciones inadecuadamente
justificadas.
KSE es una aproximación para explicar recomendaciones basadas en contenidos y
analiza el contenido de un ítem recomendado y encuentra las coincidencias fuertes con el
contenido en el perfil del usuario. Este enfoque presenta eficazmente los aspectos del
contenido de ítem que fueron más responsables para que el ítem sea altamente calificado
por el sistema. Como se muestra en la Tabla 3.3. Si el usuario se pregunta de dónde se
produjo una determinada palabra clave, puede hacer clic en la columna de explicar, que lo
llevará a una nueva Tabla 3.2 que muestra ejemplos de entrenamiento en el que se produjo
esa palabra y cuántas veces.
NSE está diseñado para explicar recomendaciones basadas en colaboración, si un
usuario se pregunta cómo otros usuarios similares calificaron un ítem recomendado. NSE
está diseñado para responder a esta pregunta mediante la compilación de un gráfico que
muestra cómo los vecinos del usuario activo calificaron el ítem recomendado. Para calcular
el gráfico, las calificaciones de los vecinos para el ítem recomendado se agrupan en tres
grandes categorías: Mala (calificaciones 1 y 2), Neutro (Nota 3) y Bueno (notas 4 y 5) y se
presenta al usuario mediante un gráfico de barras. Ver Tabla 3.4.
Tabla 3.4 La explicación muestra las
calificaciones de los vecinos de un usuario,
(Bilgic, y otros, 2005)
Tabla 3.3 Estilo de explicación de palabra clave
Tabla 3.2 Estilo de explicación de libros calificados positivamente
Capítulo III. Estado del arte
32
ISE presenta al usuario una tabla de los ejemplos de entrenamiento (que el usuario
ya ha valorado de forma explícita o implícitamente) que tuvieron el mayor impacto en la
decisión del sistema de recomendar un ítem determinado. Cada fila de la tabla de
entrenamiento de libros, que tuvo el mayor impacto en su recomendación tiene tres
entradas: el libro que el usuario activo ha calificado, la calificación que dio al libro y la
influencia de este libro en la recomendación Tabla 3.5. Esto tiene la ventaja de dar a los
usuarios el conocimiento que les permita cambiar sus entradas de manera que puedan
mejorar su satisfacción con las sugerencias del sistema.
Para evaluar estas tres formas de explicación se diseñó un estudio donde los
usuarios llenaron una encuesta en línea, para calificar una recomendación con explicaciones
y evaluar el ítem recomendado. El estudio se realizó en términos de la precisión de las
recomendaciones y los resultados indican que las explicaciones del NSE basadas en su
capacidad de promoción, en realidad hace a los usuarios sobreestimar la calidad de un ítem,
mientras que las explicaciones del ISE que presentan calificaciones proporcionadas
previamente por el usuario y el KSE las cuales presentan información sobre el contenido de
un ítem recomendado, resultaron ser significativamente más eficaces.
3.7 Un agente personal de noticias que habla, aprende y explica
Daniel Billsus y Michael J. Pazzani de la universidad de California, Irvine E.U.
presentan un agente de noticias (Billsus, y otros, 1999), el cual utiliza un paradigma basado
en contenido para recomendar artículos de noticias a los usuarios por medio de un
sintetizador de voz (personaje animado en la aplicación), donde el usuario especifica sus
preferencias e intereses brevemente durante el uso del sistema. El objetivo a largo plazo es
una radio inteligente de coche habilitada que recupere información de internet aprenda los
intereses del conductor y presente información de una forma personalizada.
Se describe el diseño y características de un agente de información que se usa como
banco de pruebas para recolectar datos de los usuarios y evaluarlos. Se usa una multi-
estrategia que permite la inducción de modelos de usuario, separados para intereses del
usuario a largo plazo e intereses del usuario a corto plazo, por ejemplo en la clasificación
de las noticias normalmente, los usuarios quieren seguir diferentes "hilos" de los últimos
acontecimientos en curso es decir una tarea que requiere de información a corto plazo sobre
los últimos acontecimientos y las preferencias generales son útiles para predecir historias
nuevas, es decir, a largo plazo. También se introduce el uso del “concept feedback” una
forma de retroalimentación del usuario que se basa en la capacidad del agente para
Tabla 3.5 Estilo de explicación influencia,
(Bilgic, y otros, 2005).
Capítulo III. Estado del arte
33
construir explicaciones mediante las razones que han llevado a una clasificación de noticia
específica. Además las retroalimentaciones se utilizan con el fin de mejorar el proceso de
recomendación. El sistema es compatible con las siguientes opciones de retroalimentación:
interesante, no interesante, eso ya lo sé, dime más, y explicar.
El agente permite al usuario la crítica de las explicaciones con el fin de hacer
cambios directos en el modelo inducido, esta forma de interacción se refiere al "concept
feedback”. Se utiliza un método de explicación basada en estructuras sintácticas estáticas,
es decir plantillas definidas. Y también utilizan un descriptor de características para definir
los elementos variables de las plantillas.
Si una historia es similar a una previamente clasificada por el modelo a corto plazo,
la explicación se basa en la proximidad de esta historia valorada previamente. El agente
recupera el título de la historia más cercana en el modelo a corto plazo que recibió la misma
etiqueta de clase que la historia cuya explicación se va a construir. Y el título recuperado
puede ser usado para construir explicaciones de la siguiente forma:
Plantilla de explicación 1: “Esta historia recibió una [alta/baja] puntuación de
relevancia, ya que me dijo antes que [no] estaba interesado en
[Título_de_noticia_mas_cercana]”.
Si el sistema asigna una puntuación de relevancia baja porque se supone que el
usuario ya está familiarizado con el contenido de la historia, una explicación basada en la
proximidad se construye de siguiente forma:
Plantilla de explicación 2: “Creo que ya sabe sobre esto, porque le dije antes esto
[Título_de_noticia_mas_cercana]”.
En contraste si la historia fue clasificada por el modelo a largo plazo, el sistema
forma una explicación utilizando las palabras que más influenciaron en la decisión de la
clase. Se determinan n palabras con un valor de influencia alto. En esta implementación el
valor de n es 3 y se construye la explicación de la siguiente forma:
Plantilla de explicación 3: “Esta historia recibió una [alta/baja] puntuación de
relevancia, ya que contiene las palabras f1, f2 y f3”.
Si la historia recibió una puntuación por default el sistema explica que “la historia
recibió una puntuación por default, ya que no parece estar relacionada con cualquier
historia calificada previamente y no contiene suficientes palabras que permitan su
clasificación”.
En esta investigación no se midieron los efectos de las explicaciones, sino el
rendimiento del sistema y los efectos de la retroalimentación sobre el rendimiento general
del sistema, donde se encontró un aumento en la precisión del 72.5% al 77.1 % mediante la
adición del concepto de retroalimentación.
Capítulo III. Estado del arte
34
3.8 Recomendación y explicación de puntos de interés
En este artículo (Baltrunas, y otros, 2011) desarrollado en la universidad de Bozen
Bolzano Italia, se muestra un sistema de recomendación ReRex para lugares de interés que
explota un modelo de predicción sensible al contexto para generar recomendaciones más
útiles y las explica mediante la referencia de algunos factores seleccionados que describen
la situación contextual del usuario.
Se adopta la siguiente definición de contexto “Cualquier información que puede ser
usada para caracterizar la situación de una entidad”. Una entidad es una persona, lugar u
objeto que es considerado relevante para la interacción entre el usuario y una aplicación.
Para adaptar las recomendaciones al contexto del usuario se debe identificar todos los
posibles factores contextuales que pueden influenciar en la aceptación de una
recomendación, por ejemplo, la distancia a un lugar de destino, los motivos del viaje, etc.
Esto puede realizarse mediante el estudio de la literatura sobre el comportamiento del
consumidor. Además es necesario modelar la dependencia cuantitativa de las preferencias
del usuario (puntuaciones para los ítems) para cada factor contextual.
Plantean la siguiente hipótesis “una recomendación puede explicarse
plausiblemente si al menos los criterios más importantes que conducen a la recomendación
se comunican al usuario”. El sistema calcula una predicción de calificación para un par
usuario-ítem y después adapta esa predicción a la situación actual contextual, es decir, una
combinación de condiciones contextuales (valores para los factores contextuales).
Para generar las explicaciones de una recomendación de un ítem en una situación
contextual, primero se identifica el factor contextual que en el modelo predictivo tuvo un
Fig. 3.3 Explicación de las recomendaciones, (Baltrunas, y otros, 2011).
Capítulo III. Estado del arte
35
gran efecto positivo sobre la predicción de calificación del ítem. Usar un solo factor para la
explicación generada tiene un beneficio de crear una motivación simple y fácil de entender,
además de no sobrecargar al usuario con información.
Después de que el usuario ingresa sus especificaciones de la situación contextual el
sistema proporciona algunas recomendaciones y puede acceder a la información detallada,
el icono de un reloj con una flecha verde indica que son particularmente adecuadas al
contexto actual. Se identificaron mensajes de explicación para todas las 54 posibles
condiciones contextuales contempladas por el sistema. Como se muestra en la Fig. 3.3,
ofrece explicaciones tales como “Este lugar es bueno para visitar en familia”, esto se
refiere a la condición contextual que fue responsable en gran parte para predecir una alta
calificación para ese ítem.
Con el fin de medir la eficacia de esta aproximación se desarrollaron dos variantes
del sistema, la primera que incluye el modelo contextual así como las explicaciones y la
segunda variante que no las incluye, los resultados reportados fueron: el 85% de los
usuarios prefirió la versión sensible al contexto y el 95% consideró que las
recomendaciones sensibles al contexto son más apropiadas, según cuestionarios de
usabilidad.
En resumen los resultados de este trabajo muestran que la situación contextual del
usuario se puede utilizar para explicar por qué un ítem ha sido recomendado, es decir, el SR
puede identificar las relaciones entre la situación contextual y los ítems recomendados para
justificar las sugerencias y además de incrementar la precisión de las recomendaciones,
aumenta la satisfacción del usuario con el sistema de recomendación.
3.9 El valor de los marcadores del discurso que expresan causalidad en
español
Piñero (Piñero, 2001) analizó los marcadores de discurso que expresan causalidad,
con el fin de observar los distintos tipos de relaciones que estos elementos establecen entre
los segmentos de discurso conectados y la información que proporcionan sobre las
estrategias que debe utilizar el destinatario para procesar e interpretar tales relaciones.
Al estar conscientes de la proliferación que en los últimos tiempos han
experimentado las investigaciones en torno a los marcadores del discurso, conectores u
operadores discursivos y a pesar de que, la "preocupación por este tipo de unidades
lingüísticas en español, y por sus funciones en la organización discursiva, no constituye
algo reciente", aún no se ha logrado una definición de estos elementos unánimemente por
los estudiosos.
Los marcadores discursivos son operadores que añaden estructura al texto. Los
argumentos de estos operadores son segmentos de texto que entran en la relación
determinada por el marcador. Son en general operadores binarios, si bien en algunos casos
la aridad de la relación es mayor que 2 como ocurre, por ejemplo, con el marcador
compuesto: en primer lugar, en segundo lugar,…, finalmente (Prada, 2001).
Capítulo III. Estado del arte
36
En este trabajo se analizan los marcadores de discurso que expresan tres tipos
esenciales de relaciones de causalidad en español, la relación causa-efecto, la relación
efecto-causa y, finalmente, la relación inferencial, con el fin de observar las similitudes y
las discrepancias existentes entre sus respectivos valores, es decir, los distintos tipos de
relaciones que estos elementos establecen entre los segmentos de discurso conectados y,
con ello, la información que proporcionan sobre las estrategias que debe utilizar el
destinatario para procesar e interpretar tales relaciones, como se muestra en la siguiente
tabla..
Tabla 3.6 Marcadores lingüísticos Causales
Relación causal Marcadores Lingüísticos (Piñero, 2001)
Propiamente
causales-(-
Razón-
Motivo)(Efecto-
Causa)
Indican causa, razón o motivo, expresan, por consiguiente, un orden
lógico contrario a Causa-Efecto. En este grupo se encuentran: al fin y al
cabo/a la postre, después de todo, porque, (y) es que y pues, debido a.
Consecutivos-
(causa-efecto)
Expresan la relación lógica de causa-efecto siguiendo el orden
cronológico, es decir, tras la indicación de la causa formulada en el
primer segmento del discurso (S1) el enunciado que contiene el marcador
(S2) introduce la consecuencia, resultado o efecto. En este grupo se
encuentran: en vista de esto/eso/ello, a/por causa de esto/eso/ello, así
pues, así (que), como consecuencia, como resultado, con lo que/cual,
consecuentemente, consiguientemente, dadas estas/esas/las/tales
circunstancias, de ahí/aquí que, debido a esto/eso/ello, de
modo/manera/suerte que, en consecuencia, entonces, gracias a
esto/eso/ello, o sea (que), por consiguiente, por culpa de esto/eso, por
este/ese motivo, por esto/eso/ello, por (lo) tanto y pues.
Relación
lógica-
(inferencia)
Este grupo integrado también por un número de marcadores reducido,
expresa la relación lógica denominada inferencia, esto es, señalan que la
secuencia en que se integra tendrá un valor de verdad siempre y cuando
se cumpla lo expresado en la secuencia anterior. Se formula del siguiente
modo: posiblemente a; si es así, entonces b, (posiblemente) a; si (no) es
así, entonces b, en este/ese/tal caso, entonces, de lo contrario, de no ser
así, de otro modo, pues y pues entonces
Se hicieron uso de muestras textuales extraídas de la prensa española
correspondiente al período comprendido entre los meses de abril y septiembre del año
1999, se han tomado fragmentos de actuaciones orales que suelen ser frecuentes en la
lengua de los hispanohablantes cultos en situaciones comunicativas de carácter informal.
Capítulo III. Estado del arte
37
Partiendo de la clasificación comúnmente aceptada se pudo constatar que los tres
tipos de marcadores que expresan la causalidad en español, aunque comparten un
significado básico común, que es el de indicar una relación de causa-efecto entre los
segmentos de discurso conectados, de tal forma que la aparición de uno de estos tipos suele
impedir la aparición de los otros dos tipos restantes.
El análisis del significado de estos elementos también permitió reconocer dos
grupos de marcadores en cada uno de los tipos de conexión.
En los marcadores consecutivos se distingue un bloque mayoritario caracterizado
por su mayor extensión significativa, frente a un bloque minoritario añade la evaluación
que hace el emisor “positiva o negativa” del contenido proposicional del segmento de
discurso precedente.
En los marcadores propiamente causales, se distribuye en dos grupos, determinados
por el grado de precisión significativa que incorporan, frente a los que señalan un valor
general de causa y añaden a este valor la capacidad de relativizar la causa que introducen
así como de disminuir la rotundidad con la que el hablante la plantea.
Los marcadores de valor inferencial se descomponen en dos grupos determinados
por el valor positivo o negativo que incorporan a la relación lógica que establecen, los
marcadores inferenciales afirmativos deben ir precedidos de la formulación de una
posibilidad mientras que los negativos han de ir precedidos de la expresión de un hecho al
que se atribuye existencia real.
3.10 Marcadores del discurso, variación dialectal y variación social
El capítulo 9 del libro titulado “El estudio de los marcadores del discurso en español
hoy” (Loureda, y otros, 2010), se aborda la estrecha relación entre la variación espacial de
hablantes que comparten una misma procedencia geográfica y la variación social en el
marco de estudio de los marcadores del discurso.
La relevancia de este trabajo reside en agrupar las aportaciones procedentes de la
lingüística variacionista, centrándose en la variación espacial se presta especial atención a
los núcleos urbanos, lo que se ha denominado Dialectología social urbana, interesada en
conocer la distribución y los índices de frecuencia de los fenómenos lingüísticos en
comunidades de habla con un entramado social más complejo que las zonas rurales.
Los datos procedentes de este estudio hacen contribuciones de estudios realizados
en diferentes zonas geográficas como: Venezuela, Chile, Colombia, Argentina, México,
España, etc. En particular lo que vale la pena señalar de este trabajo, es una cuantificación
realizada sobre marcadores del discurso en trabajos cuyo objetivo es el estudio de
mecanismos de cohesión. Por ejemplo Palacios Sámano toma como referencia textos
mexicanos orales y escritos y analiza diferentes formas de cohesión textual contrastando los
resultados en los dos registros considerados. Dentro de estos mecanismos se analizan los
“conectivos”, de este modo se documenta un 18% de enunciados unidos mediante
Capítulo III. Estado del arte
38
conectivo en el habla culta de México, frente a 11.3% de los textos procedentes de
literatura escrita. En la frecuencia de los tipos semánticos en el habla culta se empleó en
primer lugar la conexión mediante la adición “y, ni 45.5%”, después se conectó mediante
relaciones causales “porque, pues 30.9%”, luego estuvo presente la idea de contraste “pero
30%” y finalmente la oposición “o 3.6” en la literatura hay un mayor número de contraste
con 50% luego la adición 30.4% y finalmente la causa con 19.6%.
3.11 Comparativa de trabajos relacionados
A continuación se presentan los factores tomados en cuenta para la realización de la
comparación de los trabajos encontrados en el estado de arte y el presente trabajo de
investigación.
• Tipo de explicación: Se especifica si el trabajo es dependiente del diseño del
sistema de recomendación, es decir, si el trabajo o clasificación presentada es
desarrollado para un cualquier tipo de técnica de recomendación: Filtrado
Colaborativo, Basado en Contenido, Basado en conocimiento o hibrido. “Si” en
caso de serlo y “No” en caso de ser para una técnica en específico. El resultado de la
comparación se muestra en la Tabla 3.7.
Tabla 3.7 Comparativa de trabajos relacionados
Aspecto: Tipo de explicación
Genérico Filtrado
Colaborativo F.C.
Basado en Contenido
B.C.
Basado en Conocimiento
B.K.
Hibrido
H.
(Friedrich, y otros, 2011)
Si. Taxonomía
Si Si Si No
(Papadimitriou, y otros, 2011)
Si. Taxonomía
Si Si Si Si
(Tintarev, y otros, 2011)
Si. Objetivos de las
explicaciones Si Si Si No.
(Zanker, y otros, 2010)
No.
Framework No No Si No.
(Herlocker, y otros, 2000)
No.
Interfaces de explicaciones de F. C.
Si No. No. No.
(Bilgic, y otros, 2005)
No.
Métodos para explicaciones.
Si Si No. No.
(Billsus, y otros, 1999),
No. Agente de Noticias.
No. Si. No. No.
(Baltrunas, y otros, 2011)
No. Sensible al Contexto.
Si. No. No. No.
Propuesta Si Si Si Si No.
Capítulo III. Estado del arte
39
• Tipo de información utilizada: Dependiendo de las fuentes de extracción de
información para la generación de explicaciones, el tipo de información utilizada
puede ser: el perfil del usuario, ítems recomendados con anterioridad, las
características del ítem, plantillas textuales e información contextual. El resultado
de la comparación se muestra en la Tabla 3.8.
Tabla 3.8 Tabla comparativa "Tipo de información utilizada".
Aspecto: Tipo de información utilizada
Usuarios similares
Ítem recomendado
Características del ítem
Plantillas textuales
Información contextual
(Friedrich, y otros, 2011)
Si. No. Si. No. No.
(Papadimitriou, y otros, 2011)
Si. Si. Si. No. No.
(Tintarev, y otros, 2011)
- - - - -
(Zanker, y otros, 2010)
No. No. Si. No. No.
(Herlocker, y otros, 2000)
Si Si. No. No. No.
(Bilgic, y otros, 2005)
Si No. Si. No. No.
(Billsus, y otros, 1999),
No. Si. Si. Si No.
(Baltrunas, y otros, 2011)
No. No. Si. No Si.
Propuesta Si Si. Si. Si. No.
3.12 Discusión del estado del arte
Los trabajos analizados abordan diferentes puntos de interés para este trabajo como:
las taxonomías para la clasificación de explicaciones, las cuales se enfocan sobre la
satisfacción del usuario y taxonomías que centran su atención en el ítem y su aceptación;
las diversas formas de presentación de las explicaciones y tendencias que marcan los estilos
explicativos, así como siete objetivos de las explicaciones que pueden ayudar a la mejora
de la satisfacción del usuario. Sin embargo, no se ha encontrado alguno cuyo enfoque sirva
de guía en el proceso para la generación de explicaciones en los sistemas de
recomendación, además existe una escasez de trabajos que aborden explicaciones basadas
en estructuras sintácticas estáticas (plantillas).
Por otra parte existen diferentes trabajos donde la efectividad de los algoritmos de
recomendación ya ha sido probada y lo que se necesita mejorar es la satisfacción del
usuario; es decir, conocer si para el usuario una recomendación es útil o no. Por lo cual se
ha prestado atención a las explicaciones en los SR, las cuales como demuestran los trabajos
presentados pueden ayudar a mejorar esta situación.
Capítulo III. Estado del arte
40
CAPÍTULO IV Metodología para la generación de
explicaciones en los SR
4. Metodología para la generación de explicaciones en los SR para la
generación automática de ontologías
Capítulo IV. Metodología para la generación de explicaciones en los SR
42
Fig. 4.1 Metodología para la generación de explicaciones
En el contexto planteado de la explicaciones se propone una metodología para la
generación de explicaciones en los SR, la cual se divide en tres fases: análisis, diseño e
implementación; cada fase contempla diferentes actividades tomándolas como directrices
para la generación de explicaciones en los SR. La metodología es presentada en la Fig. 4.1.
• Fase de Análisis:
Actividad 1: El análisis del Sistema de Recomendación y las técnicas utilizadas por
el motor de recomendación, con el objetivo de explotar las características de cada
una y utilizarlas para generar explicaciones.
Actividad 2: Análisis de los diferentes estilos de explicación, así como la
información necesaria para generar explicaciones en cada estilo.
• Fase de Diseño:
Actividad 3: Definición de los objetivos que el diseñador del sistema de
recomendación puede conseguir con las explicaciones.
Actividad 4: Definición de la estructura sintáctica de las explicaciones.
Actividad 5: Personalización de las plantillas, definición de formas de redacción de
las explicaciones, recuperación de información de los ítems e identificación de
campos variables contenidos en las plantillas.
Actividad 6: Definición de la presentación de las explicaciones al usuario.
• Fase de Implementación
Actividad 7: Creación de las plantillas explicativas, con las salidas generadas en las
actividades anteriores.
A continuación se presenta detalladamente cada una de las fases, considerándolos
adaptables y extensibles a las necesidades requeridas por los diseñadores de los SR.
Capítulo IV. Metodología para la generación de explicaciones en los SR
43
4.1 Fase de análisis
4.1.1 Actividad: Análisis del funcionamiento de los SR y las técnicas utilizadas
Este análisis se lleva a cabo con el fin de identificar las características o relaciones
existentes entre el perfil del usuario, las calificaciones otorgadas a los ítems, las
características de los ítems y la información contextual; los cuales deben recuperarse para
la generación de las explicaciones.
4.1.1.1 Análisis del sistema de recomendación utilizado
Este análisis incluye profundizar sobre el sistema de recomendación sobre el cual se
requiere implementar las explicaciones, se pueden presentar dos escenarios: el primero es
cuando el Sistema de recomendación se encuentre terminado y se requiere implementar un
módulo de explicaciones, el segundo escenario es cuando el sistema de recomendación se
desarrolla a la par con el módulo de explicaciones. Para ambos escenarios es necesario
desarrollar un análisis sobre el funcionamiento del sistema, el cual debe incluir lo siguiente:
• Perfil de usuario: Definir un perfil con la información necesaria y correcta.
• El/Los tipo(s) de ítems que el sistema recomienda: la definición de las
características de los ítems que ayudan en el proceso de recomendación y
generación de explicaciones.
• La gestión de la información utilizada: almacenamiento de los ítems, perfiles de
usuario, manejo de información contextual, etc.
4.1.1.2 Análisis de las técnicas utilizadas por el sistema de recomendación
El análisis de la técnica o técnicas de recomendación utilizadas consiste en el siguiente
análisis:
• Identificar y analizar las ventajas y desventajas de utilizar cada una de las técnicas
de recomendación.
• Recuperación de recursos: análisis de información utilizada para recomendar cada
tipo de ítem (el ítem en caso de ser de un solo tipo), este análisis se debe realizar
para cada una de las técnicas de recomendación utilizadas.
4.1.2 Actividad: Análisis de los estilos de explicación en los SR
Actualmente existen diferentes técnicas de recomendación, cada una utiliza cierta
información para generar las recomendaciones. Se emplean principalmente estilos de
explicación de acuerdo a la técnica de recomendación utilizada por el sistema y aunque
existen algunos estilos de explicaciones que tratan de generalizarse para cualquier técnica
de recomendación, aún existe cierta dependencia. Este análisis tiene como objetivo conocer
los estilos de explicación actuales y definir cuál es el más adecuado para el sistema de
recomendación.
Capítulo IV. Metodología para la generación de explicaciones en los SR
44
Las explicaciones pueden clasificarse de acuerdo a su objetivo en un SR, como se
definen en (Tintarev, y otros, 2011) los cuales son: transparencia, escrutabilidad, confianza,
efectividad, persuasión, eficiencia y satisfacción. Es importante mencionar que el
cumplimiento de estos objetivos se trata de un trade-off, es decir, una situación en la cual se
puede perder cierta cualidad a cambio de otra, esto implica una decisión en la que se tienen
totalmente claras las ventajas y desventajas de cada elección, de esta manera, una
explicación difícilmente podría ajustarse a todos los criterios. En contraste (Friedrich, y
otros, 2011) clasifican los diferentes estilos de explicaciones en tres dimensiones basadas
en los principios de diseño del SR: categories of reasoning model for generating
explanations, Recommendation paradigms e Information categories. En (Herlocker, y
otros, 2000) se introduce el uso de gráficos para la creación de explicaciones, donde se
realiza un análisis de 21 interfaces de explicación para SR de filtrado colaborativo, que
permiten al usuario tener una percepción clara y detallada de los datos utilizados para la
emision de las recomendaciones, también se describe el estudio de los modelos white-box y
black-box para la construcción de explicaciones. Por otra parte, en (Billsus, y otros, 1999)
podemos encontrar explicaciones para un SR basado en contenido, mediante plantillas
con estructuras sintácticas estáticas, definiendo un descriptor de características, para
determinar los elementos variables de las plantillas.
Otros trabajos como (Bilgic, y otros, 2005) introducen una clasificación de tres
estilos de explicación: keyword style explanation (KSE), neighbor style explanation (NSE) y
influence style explanation (ISE), para los cuales KSE es un estilo basado en contenido,
NSE se basa en filtrado colaborativo y el ISE es independiente de la técnica de
recomendación utilizada.
Tomando en cuenta la dependencia entre la técnica de recomendación utilizada y el
estilo de explicación implementado, el trabajo de (Papadimitriou, y otros, 2011) propone
una clasificación que busca la generalización de los estilos de explicación, de tal forma que
no dependan de la técnica de recomendación empleada en el diseño del SR, esta
clasificación, se basa en tres recursos: ítems, usuarios y características, se proponen tres
estilos básicos de explicaciones: Human, Feature e Item, así como un estilo hibrido
mediante cualquier combinación de los anteriores. En (Zanker, y otros, 2010) se propone un
framework de razonamiento basado en conocimiento para generar explicaciones,
independiente del mecanismo de recomendación aplicado.
Por ultimo en (Bouzeghoub, y otros, 2009) se plantea un conjunto de relaciones
semánticas válidas en un instante o intervalo de tiempo, mediante la inclusión del concepto
“Situación” y la consideración del “Contexto” en los SR como un espacio
multidimensional. Esta información contextual se puede utilizar para la formulación de
explicaciones que determinen con precisión las relaciones entre las características
contextuales y los ítems recomendados, como lo muestra el estudio realizado por
(Baltrunas, y otros, 2011).
En resumen, se han identificado diferentes estilos de explicación basados en la
técnica de recomendación subyacente del sistema de recomendación, los más relevantes
para este trabajo de tesis son los estilos basados en colaboración, en contenido y basados en
conocimiento, además existen algunos estilos que no revelan la técnica de recomendación
Capítulo IV. Metodología para la generación de explicaciones en los SR
45
por fines comerciales o por motivos del diseñador del SR, por lo tanto no emplean los
recursos de la técnica o algoritmo subyacente al sistema para generar las explicaciones y
otros estilos que toman en consideración la información contextual del usuario.
En conclusión las investigaciones sobre la generación de explicaciones en los SR,
tienden hacia la creación de estilos influenciados por el motor de recomendación (Bilgic, y
otros, 2005), (Tintarev, y otros, 2011), (Friedrich, y otros, 2011), (Herlocker, y otros,
2000), (Papadimitriou, y otros, 2011). Existen estilos que tienden a una generalización para
cualquier técnica de recomendación, aunque consideramos que aún existe cierta
dependencia; también existen estilos que no reflejan tales características ya que
generalmente son empleados en sistemas comerciales que no hacen pública esta
información, cuando el proceso empleado es bastante complejo para presentárselo al
usuario o cuando simplemente no existe un deseo de hacer públicas esas características;
además de ciertos estilos que recuperan la información contextual del usuario para explicar
el ítem recomendado (Baltrunas, y otros, 2011).
4.2 Fase de Diseño
4.2.1 Actividad: Identificación de los objetivos de las explicaciones en los SR
En esta actividad es necesario realizar un análisis detallado de cada uno de los
objetivos de las explicaciones para determinar cuáles son los pros y contras de cada uno, no
se debe perder de vista que existe un problema de trade Off, donde se deben conocer los
efectos que tienen unos sobre otros, añadiendo o sacrificando propiedades.
Tintarev (Tintarev, y otros, 2011) presenta siete objetivos de las explicaciones, ver
Fig. 4.1, en este trabajo se realiza un análisis muy completo, estos objetivos son aplicables
a las recomendaciones de un solo ítem, es decir, cuando el sistema ofrece una
recomendación única.
Tabla 4.1 Objetivos de las Explicaciones
Objetivo Definición
Transparencia Explican cómo trabaja el SR.
Escrutabilidad Permite a los usuarios manejar posibles errores del SR.
Confianza Incrementa la confianza del usuario en el SR.
Eficacia Ayuda al usuario a tomar decisiones correctas.
Persuasión Convence al usuario de probar o comprar determinado ítem.
Eficiencia Ayuda a los usuarios a tomar decisiones rápidamente.
Satisfacción Incrementa la facilidad de uso del SR, al ser más fácil y
rápida la búsqueda de ítems relevantes.
En el caso de los sistemas que ofrecen recomendaciones de ítems heterogéneos, en
forma de listas, los criterios para generar las explicaciones pueden ser diferentes y es
necesario considerar otro factor: la diversidad (heterogeneidad), para este nuevo factor hay
que considerar dos requerimientos: 1) generar explicaciones para el conjunto de ítems
Capítulo IV. Metodología para la generación de explicaciones en los SR
46
recomendados o 2) una explicación individua para cada ítem recomendado, tomando en
cuenta que son de diferente clase.
De acuerdo a la revisión de la literatura se encontraron varias referencias sobre tipos
de explicaciones de acuerdo al tipo de usuario y a los objetivos de las mismas, que
probablemente son dependientes de los criterios del diseñador de un sistema de
recomendación (SR).
Cuando un SR proporciona explicaciones de las recomendaciones que proporciona
al usuario, éstas le permite entender el por qué recibió dichas recomendaciones y
adicionalmente promueven objetivos tales como: la satisfacción y la confianza con relación
al SR. En los SR las explicaciones proporcionan información adicional que ayuda al
usuario a entender la información proporcionada por el SR (Friedrich, y otros, 2011).
Cuando un usuario recibe una explicación, aumenta la probabilidad de que éste acepte una
recomendación, debido a que el sistema proporciona transparencia en su proceso
(Papadimitriou, y otros, 2011). Los sistemas que ofrecen transparencia exponen el
razonamiento detrás de una recomendación y los usuarios son más propensos a confiar en
una recomendación cuando conocen las razones detrás de esa recomendación (Herlocker, y
otros, 2000), esta transparencia puede ser relacionada con la confianza, además las
explicaciones también promueven la satisfacción del usuario según estudios realizados en
(Bilgic, y otros, 2005).
4.2.2 Actividad: Definición de la estructura sintáctica de las explicaciones
El estudio del estado del arte nos muestra claramente que no existe un estándar para
la estructura sintáctica de las explicaciones textuales, sin perder de vista que la estructura
sintáctica y gramatical de un texto varía según el idioma. Además, es necesario estructurar
textualmente una explicación de acuerdo a la técnica de recomendación utilizada, con el fin
de generar plantillas explicativas con los campos variables adecuados para cada técnica.
Para logar esto es necesario realizar detalladamente las actividades anteriores, conocer los
ítems que se recomiendan y finalmente, conocer las técnicas de recomendación utilizadas
por el sistema de recomendación.
El proceso de definición de la estructura sintáctica del texto explicativo requiere el
análisis de los textos explicativos de cada uno de los ítems recomendados, revisando los
recursos que el sistema utilizó para generar las recomendaciones, ya sean vectores de
palabras clave, relaciones de los ítems o cualquier otro recurso, de tal forma que los textos
explicativos presentados al usuario sean claros y coherentes.
4.2.2.1 Selección de relaciones causales y marcadores lingüísticos
En este trabajo se realizó un acercamiento a la teoría de la estructura retórica, la cual
centra su estudio en la descripción del texto y se basa en un conjunto de relaciones
discursivas que pueden darse entre porciones de texto dentro de un discurso, llamadas
también relaciones retóricas o relaciones de coherencia.
Capítulo IV. Metodología para la generación de explicaciones en los SR
47
Entre las relaciones expuestas en (Mann, y otros, 1987) se encuentran las relaciones
causales, las cuales son de interés en este trabajo de tesis, proponiéndola como una
alternativa muy simple para estructurar una explicación y expresar la causa que originó una
explicación ver Fig. 4.2.
En las relaciones discursivas se encuentran unidades lingüísticas que sirven de guía
para las inferencias que se realizan en la comunicación, estas unidades son llamadas
Marcadores lingüísticos (ML) o Marcadores del discurso (MD). Por lo tanto, los
marcadores discursivos son por lo general operadores binarios que añaden estructura al
texto, los argumentos de estos operadores son segmentos de texto que entran en la relación
determinada por el marcador. (Prada, 2001). Estos marcadores se pueden emplear en las
explicaciones de la siguiente forma:
Efecto-Causa: Se recomendó el ítem x (marcador) porque lista de argumentos
Causa-Efecto: Lista de argumentos (marcador) por causa de esto, se recomendó
el ítem x
Inferencial: Si en tu perfil tienes lista de argumentos, (marcador) entonces se te
recomendó el ítem x.
En la Tabla 4.2 se presenta una clasificación de marcadores lingüísticos causales en
español de (Piñero, 2001), donde podemos extraer la lista de marcadores para emplearlas en
las explicaciones; es recomendable realizar un estudio sobre los marcadores lingüísticos
causales más comunes de acuerdo al idioma empleado y área geográfica.
Tabla 4.2 Marcadores Lingüísticos
Relación
causal
Marcadores Lingüísticos
Consecutivos
(causa-efecto)
Expresan la relación lógica de causa-efecto siguiendo el orden cronológico, es
decir, tras la indicación de la causa formulada en el primer segmento del discurso
(S1) el enunciado que contiene el marcador (S2) introduce la consecuencia,
resultado o efecto. En este grupo se encuentran: en vista de esto/eso/ello, a/por
causa de esto/eso/ello, así pues, así (que), como consecuencia, como resultado,
con lo que/cual, consecuentemente, consiguientemente, dadas
estas/esas/las/tales circunstancias, de ahí/aquí que, debido a esto/eso/ello, de
modo/manera/suerte que, en consecuencia, entonces, gracias a esto/eso/ello, o
sea (que), por consiguiente, por culpa de esto/eso, por este/ese motivo, por
esto/eso/ello, por (lo) tanto y pues.
Fig. 4.2 Relación Causal
Capítulo IV. Metodología para la generación de explicaciones en los SR
48
Tabla 4.2 Continuación
Propiamente
causales
(Efecto-Causa)
Indican causa, razón o motivo, expresan, por consiguiente, un orden lógico
contrario a los anteriores. En este grupo se encuentran: al fin y al cabo/a la
postre, después de todo, porque, (y) es que y pues, debido a.
Relación lógica
(inferencia)
Este grupo integrado también por un número de marcadores reducido, expresa la
relación lógica denominada inferencia, esto es, señalan que la secuencia en que
se integra tendrá un valor de verdad siempre y cuando se cumpla lo expresado en
la secuencia anterior. Se formula del siguiente modo: posiblemente a; si es así,
entonces b, (posiblemente) a; si (no) es así, entonces b, en este/ese/tal caso,
entonces, de lo contrario, de no ser así, de otro modo, pues y pues entonces.
4.2.3 Actividad: Personalización y definición de formas de redacción
Esta actividad incluye una revisión sobre las tendencias de personalización en el
ámbito de la mercadotecnia digital y su adaptación a la generación de explicaciones en los
sistemas de recomendación. Así como la definición de reglas generales para la obtención de
información para las explicaciones, de acuerdo a las técnicas de recomendación más
comunes.
4.2.3.1 Personalización de los textos explicativos basados en la segmentación del
mercado.
En esta sección consideremos diversos aspectos de la mercadotecnia como el
análisis de las tendencias actuales sobre la personalización de los productos hacia el
usuario, segmentación del mercado y los patrones de comportamiento del consumidor, con
el fin de definir los elementos en el ámbito de mercadotecnia, los cuales se pueden
considerar en las explicaciones, para una mayor personalización e impacto en el usuario.
La personalización se refiere al proceso de entregar contenido o servicios a un
usuario, con base a sus preferencias, intereses y necesidades, con el propósito de adaptarlos
a las características específicas del usuario en pro de lograr un óptimo desempeño (Tsetsos,
y otros, 2009). La mayoría de las aplicaciones sobre personalización de contenido se
enfocan a sistemas de recuperación de información y de recomendación.
En el contexto de la mercadotecnia, los consumidores abandonan los servicios y
productos, debido a una mala calidad de servicio seguido de la mala calidad del producto,
es decir, los consumidores prefieren la satisfacción que un servicio o producto ofrece, el
trato personalizado, la buena imagen y la recompensa de uso (Ponce, 2011). Actualmente el
consumidor considera en gran medida el valor recibido más que el precio, donde el valor
percibido no es material.
Los expertos de la PROFECO (Procuraduría Federal del Consumidor, Organismo
para la defensa de los derechos del consumidor en México) consideran que los hábitos de
consumo en México se han modificado, ya que la gente se encuentra cada vez más
informada y el perfil del consumidor mexicano de hoy marca una tendencia donde el nuevo
consumidor mexicano quiere ser único y que se le trate como individuo y donde triunfan
los productos de serie limitada, los personalizados y hechos a la medida.
Capítulo IV. Metodología para la generación de explicaciones en los SR
49
Según Guillermo Pérez Bolde (Vicepresidente de Marketing de la Asociación
Mexicana de Internet AMIPCI) compartió las principales tendencias de mercadotecnia para
el 2013 en la conferencia del Congreso Nacional de Marketing Digital 2012:
• Personalización
• Contenido Visual
• Ubicación
• Colaborar y compartir
JWT (James Web Space Telescopees) Intelligence, una de las mayores agencias de
publicidad en los EU, presenta su reporte de tendencias para el 2013, estos son algunos de
los temas que estaremos escuchando con gran fuerza.
• Objetos inteligentes
• Personalización
• Huella digital móvil
• Explosión sensorial
Por otra parte la Segmentación del mercado es el proceso de dividir el mercado total
(heterogéneo) en varios mercados o segmentos homogéneos, con la finalidad de ofrecer un
producto o servicio que satisfaga sus expectativas; es importante señalar que no existe una
clasificación única y depende en gran medida del producto o servicio ofrecido. La
clasificación de Sahui (Sahui Maldonado, 2008) es la siguiente:
• La geográfica, misma que utiliza la división del mercado en diferentes unidades
geográficas (como naciones, regiones, estados, municipios, ciudades). En este tipo
de variable, la empresa decide operar en una o en unas cuantas áreas geográficas,
atendiendo a las necesidades y preferencias geográficas.
• La demográfica, que consiste en dividir el mercado en grupos tales como la edad, el
sexo, el tamaño de la familia, el ciclo de vida familiar, la ocupación, la religión, la
raza y la nacionalidad. Esta variable es la más utilizada por la mercadotecnia.
• La psicográfica, ésta divide a los consumidores en diferentes grupos con base en la
clase social, el estilo de vida o las características de la personalidad.
• La conductual, trata de dividir a los compradores de acuerdo a sus conocimientos,
actitudes y uso o respuesta a un producto.
En este punto es lógico que el lector se pregunte qué relación tiene la sección
anterior con la generación de explicaciones. Estas tendencias basadas en la personalización
productos y servicios, además de segmentación del mercado, debe ser cuidadosamente
analizada para considerar aspectos que son útiles en las explicaciones.
Por ejemplo, para el caso de estudio presentado en el siguiente capítulo se realiza
una segmentación demográfica del mercado de servicio, debido a que la orientación del
sistema es hacia Instituciones de Educación Superior (IES) se considera una división en
diferentes tipos de usuarios, Profesor, estudiantes y empresarios u otros, esto con el fin de
Capítulo IV. Metodología para la generación de explicaciones en los SR
50
personalizar las explicaciones con el nombre de usuario, grado académico, género, etc. Y
redactarlas acordes a los perfiles de usuario.
Otro ejemplo podría ser en un contexto de un sistema de recomendación para
restaurantes podríamos proponer una segmentación psicográfica con respecto a estilo de
vida y hábitos de consumo y de esta forma explotar la mercadotecnia para la
personalización de las explicaciones en los sistemas de recomendación.
4.2.3.2 Recuperación de información e Identificación de campos variables
Al referirse a la creación de explicaciones puede entenderse como la creación de
texto en lenguaje natural y de forma automática. Sin embargo no es el propósito en esta
metodología. En este trabajo se propone el uso de plantillas con campos de texto variables
para la generación de las explicaciones, las cuales pueden ser llenadas a partir de los
recursos utilizados por el motor de recomendación, es decir la información que utilizó el
recomendador para realizar una recomendación especifica. Para la creación de las plantillas
explicativas con campos variables es necesario considerar aspectos como:
La creación de plantillas son de acuerdo al dominio y la técnica utilizada por el
sistema de recomendación.
Las plantillas se crean por cada tipo de ítem recomendado.
Es necesario contar con la definición del perfil del usuario y la definición de las
propiedades o características, de cada ítem.
Identificar la Información a considerar en las explicaciones, de acuerdo a los
recursos utilizados por el recomendador para realizar cada recomendación.
Analizar la cantidad y tipo de información necesaria para cada plantilla, descartando
la que no resulte relevante para el usuario.
Podemos definir de manera general las siguientes reglas, para recuperar la información
necesaria para generar las explicaciones de un sistema de recomendación, según la técnica
utilizada para realizar las recomendaciones, y mediante dicha información llenar la plantilla
correspondiente. A continuación se presentan reglas para las técnicas más comunes:
Contenido, Filtrado colaborativo y Conocimiento, además de una regla basada en un tipo de
hibridación en cascada y una regla para la extracción de la información contextual.
Sea I el conjunto de ítems, U el conjunto de usuarios y C el conjunto de factores
contextuales.
𝐼 = {𝑖1; 𝑖2; 𝑖3; … ; 𝑖𝑛; }
𝑈 = {𝑢1; 𝑢2; 𝑢3; … ; 𝑢𝑚 }
𝐶 = {𝑐1; 𝑐2; 𝑐3; … ; 𝑢𝑘 }
Regla para obtención del contexto:
Como primera instancia para cualquier tipo de ítem recomendado: se extraen las
condiciones contextuales del ítem recomendado que influenciaron en la recomendación.
∀ 𝑖 𝑠𝑖 𝑠𝑒 𝑟𝑒𝑐𝑜𝑚𝑖𝑒𝑛𝑑𝑎 𝑎𝑙 𝑢𝑠𝑢𝑎𝑟𝑖𝑜 𝑢, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑜𝑏𝑡𝑒𝑛𝑒𝑟 𝑐1, … , 𝑐𝑗 𝑑𝑒 𝑖𝑥 𝑑𝑒 𝑖𝑛𝑡𝑒𝑟𝑒𝑠 𝑝𝑎𝑟𝑎 𝑢𝑥
Capítulo IV. Metodología para la generación de explicaciones en los SR
51
Regla para explicaciones basadas en contenido:
Si el ítem fue recomendado a partir de una técnica basada en contenido (BC), se
recuperan las características presentes en el ítem que son comunes a las características
presentes en los ítems que el usuario ha valorado o que se encuentran presentes en el perfil
del usuario activo.
∀ 𝑖 𝑠𝑖 𝑙𝑎 𝑡é𝑐𝑛𝑖𝑑𝑎 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑎 𝑒𝑛 𝑖 𝑓𝑢𝑒 𝐵𝐶, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠
𝑜𝑏𝑡𝑒𝑛𝑒𝑟 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟í𝑠𝑡𝑖𝑐𝑎𝑠 𝑑𝑒𝑙 í𝑡𝑒𝑚 𝑐𝑜𝑚𝑢𝑛𝑒𝑠 𝑎 𝑙𝑜𝑠 í𝑡𝑒𝑚𝑠 𝑣𝑎𝑙𝑜𝑟𝑎𝑑𝑜𝑠 𝑜 𝑎𝑙 𝑝𝑒𝑟𝑓𝑖𝑙 𝑑𝑒𝑙 𝑢𝑠𝑎𝑢𝑟𝑖𝑜 𝑎𝑐𝑡𝑖𝑣𝑜
Regla para explicaciones basadas en filtrado colaborativo:
Si el ítem fue recomendado a partir de una técnica basada en filtrado colaborativo
(FC), se recupera la lista de usuarios similares Usim o la lista de ítems similares Isim,
dependiendo si es FC basado en el ítem o FC basado en el usuario. Las cuales originaron la
recomendación para el usuario activo. También puede incluirse la lista de características
comunes presentes en las comunidades creadas.
∀ 𝑖 𝑠𝑖 𝑙𝑎 𝑡é𝑐𝑛𝑖𝑐𝑎 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑎 𝑒𝑛 𝑖 𝑓𝑢𝑒 𝐹𝐶, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑜𝑏𝑡𝑒𝑛𝑒𝑟 𝑈𝑠𝑖𝑚 𝑜 𝐿𝑠𝑖𝑚
Regla para explicaciones basadas en conocimiento:
Si el ítem fue recomendado a partir de una técnica basada en conocimiento (BC), se
recuperan características del ítem que cumplen con las necesidades y preferencias del
usuario, las cuales originaron la recomendación para el usuario activo
∀ 𝑖 𝑠𝑖 𝑙𝑎 𝑡é𝑐𝑛𝑖𝑐𝑎 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑎 𝑒𝑛 𝑖 𝑓𝑢𝑒 𝐵𝐶, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠
𝑜𝑏𝑡𝑒𝑛𝑒𝑟 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟í𝑠𝑡𝑖𝑐𝑎𝑠 𝑑𝑒𝑙 í𝑡𝑒𝑚 𝑞𝑢𝑒 𝑐𝑢𝑚𝑝𝑙𝑒𝑛 𝑐𝑜𝑛 𝑙𝑎𝑠 𝑛𝑒𝑐𝑒𝑠𝑖𝑑𝑎𝑑𝑒𝑠
𝑦 𝑝𝑟𝑒𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑑𝑒𝑙 𝑢𝑠𝑢𝑎𝑟𝑖𝑜
Regla para explicaciones basadas en técnicas hibridas (cascada):
Si el ítem fue recomendado a partir de una técnica hibrida H, primero se identifican
las técnicas de recomendación aplicadas y su orden por ejemplo BC-FC, FC-BC, BC-BK,
posteriormente se aplican las reglas 2 a la 4 según sea el caso.
∀ 𝑖 𝑠𝑖 𝑙𝑎 𝑡é𝑐𝑛𝑖𝑐𝑎 𝑒𝑚𝑝𝑙𝑒𝑎𝑑𝑎 𝑒𝑛 𝑖 𝑓𝑢𝑒 𝐻, (𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑖𝑑𝑒𝑛𝑡𝑖𝑓𝑖𝑐𝑎𝑟 𝑡é𝑐𝑛𝑖𝑐𝑎𝑠 𝑦 𝑜𝑟𝑑𝑒𝑛)
𝑦 𝑎𝑝𝑙𝑖𝑐𝑎𝑟 𝑟𝑒𝑔𝑙𝑎𝑠 2, 3 𝑜 4, 𝑒𝑛 𝑒𝑙 𝑜𝑟𝑑𝑒𝑛 𝑖𝑛𝑑𝑖𝑐𝑎𝑑𝑜
4.2.4 Actividad: Presentación de las explicaciones
La presentación de las recomendaciones y el modo de interacción con el usuario,
son factores que pueden afectar los tipos de explicación tal como se menciona en (Tintarev,
Capítulo IV. Metodología para la generación de explicaciones en los SR
52
y otros, 2011), además la interfaz de un sistema de recomendación puede afectar la
credibilidad del sistema; las formas más comunes de presentar las recomendaciones son el
top ítem, top N-ítem, similar al top ítem, predicción de valoraciones para todos los ítems y
resumen estructurado, en cuanto a la interacción con el sistema podemos encontrar la
especificación de los requerimientos por el usuario, el usuario pregunta por una alternativa,
el usuario valora ítems, el usuario da su opinión e interfaces de interacción mixtas.
Por otra parte, la presentación de las explicaciones debe ser considerada junto con
los factores antes mencionados. En la literatura podemos encontrar diferentes formas de
presentar las explicaciones, las cuales clasificamos en explicaciones comprendidas por
texto e imagen, solamente texto, tablas e histogramas y una propuesta en este trabajo es la
presentación mediante mapas mentales y mapas conceptuales para explicar
recomendaciones más complejas. A continuación se muestran algunos ejemplos de dichas
interfaces de explicación.
4.2.4.1 Presentación en formato de texto simple
En la Fig. 4.3 (Felfering, y otros, 2006), se muestra una interfaz de explicación para
recomendaciones de proveedores de internet en forma de texto simple, la explicación se
describe en términos de las preferencias del usuario y tienen como objetivo el incremento
de la satisfacción y la confianza en el usuario, por ejemplo, en cuanto al dominio de
conocimiento percibido, cuanto mayor es el conocimiento, mayor es la confianza en el
proceso de asesoramiento y mayor es el deseo de compra de un producto. El estudio
presentado en este trabajo se realizó con aplicaciones de sistemas de recomendación
basadas en conocimiento.
La siguiente interfaz basada en texto simple, presenta las explicaciones para las
recomendaciones de lugares de descanso personalizadas para los usuarios. En la Fig. 4.4
(Czarkowski, 2006) se muestra la recomendación escrutable, es decir, si el usuario entiende
lo que está pasando en el sistema puede ejercer un control sobre el tipo de recomendaciones
hechas y corregir los supuestos del sistema cuando sea necesario; en este caso podría
cambiar su presupuesto o la relación que tiene el usuario. Aunque en esta interfaz se
presenta la explicación junto con una imagen, se decidió situarla dentro de la clasificación
“solamente texto”, ya que la imagen se encuentra dentro del área de la recomendación y no
en el área de la explicación.
Fig. 4.3 Explicación de recomendaciones de proveedores de internet (Felfering , y otros, 2006)
Capítulo IV. Metodología para la generación de explicaciones en los SR
53
4.2.4.2 Presentación en formato de texto e imagen
Como primer ejemplo mencionamos el trabajo de “Explaining recommendations”
de Nava Tintarev, ya que se presentan una serie de experimentos con el fin de conocer si la
personalización de las explicaciones ayuda a incrementar la satisfacción y eficacia. La
satisfacción se midió a través de la calificación de las explicaciones y la eficacia con una
métrica descrita en el trabajo (Tintarev, 2009). En los experimentos se realizaron tres
grados de personalización:
1. Básico: La explicación no es personalizada, ni se describen las características del
ítem.
2. No personalizada, basada en característica: La explicación describe las
características del ítem, pero las características no están adaptadas al usuario.
3. Personalizada, basada en característica: La explicación describe las
características de los ítems y se ajustan a los intereses del usuario.
Primero se realizó un experimento en el dominio de películas para ver si el uso de
las características (actores / actrices, por ejemplo) y la personalización de las explicaciones
podría afectar su eficacia y satisfacción de los usuarios. Como resultado se observó que la
correlación entre el antes y el después de las calificaciones es significativa en las tres
condiciones y más fuerte en la condición 2. Sin embargo, los participantes fueron
significativamente más satisfechos con las explicaciones personalizadas, además la
condición básica tuvo un gran desempeño Fig. 4.5.
Fig. 4.4 Recomendaciones de lugares para vacacionar, explicaciones escrutables (Czarkowski, 2006)
Fig. 4.5 Básica, (Tintarev, 2009)
Capítulo IV. Metodología para la generación de explicaciones en los SR
54
Luego se aplicó una serie de modificaciones, en el experimento anterior, debido a
que la imagen de la portada se muestra en las tres condiciones, lo que pudo haber ayudado a
los participantes tomar decisiones. Con el fin de investigar la influencia de la imagen de la
portada en la eficacia, en este experimento se presenta explicaciones sin imágenes además
de otras modificaciones para mejorar las condiciones del experimento.
En ambos experimentos los resultados mostraron que las explicaciones no-
personalizadas Fig. 4.7 son más eficaces que las personalizadas, Fig. 4.8 mientras que las
explicaciones personalizadas tuvieron un incremento de la satisfacción significativamente
mayor, es decir, los participantes se encontraron más satisfechos con las explicaciones
personalizadas. La eliminación de una imagen de portada no parece dañar la eficacia
particular en cualquiera de las condiciones. Sin embargo, se encontró que muchos de los
participantes del experimento en el estado básico o bien optaron por no dar calificaciones,
hacer clic en el experimento o abandonarlo por completo. Esto sugiere que las
explicaciones como lo muestra la condición básica sin imágenes podría dañar
considerablemente la satisfacción del usuario.
Fig. 4.6 No-personalizada, característica elegida al azar, (Tintarev, 2009)
Fig. 4.7 No-Personalizadas, (Tintarev, 2009)
Fig. 4.8 Personalizadas, (Tintarev, 2009).
Capítulo IV. Metodología para la generación de explicaciones en los SR
55
Debido a los resultados de estos dos experimentos se investigó si los resultados se
debían al dominio, en este caso de películas, o si podría generalizarse a un segundo
dominio, por lo cual se repitió el experimento en dominio de cámaras, donde fueron
encontrados los mismos resultados los participantes tomaron mejores decisiones en la
condición no-personalizada, sin embargo los usuarios prefieren las explicaciones
personalizadas.
En el sitio de comercio electrónico Amazon ( http://www.amazon.com ) podemos
encontrar la interfaz de explicación donde se despliega la explicación, los ítems
recomendados, una imagen del ítem recomendado y una breve descripción del ítem.
La Fig. 4.9 presenta el caso de una explicación hecha a un usuario registrado que ha
ingresado al sistema. En la sección principal de la página se le muestra al usuario una lista
de las películas, las cuales fueron recomendadas con base a películas que el usuario ha
indicado que posee, “Estas recomendaciones se basan en ítems que usted posee y más”.
Fig. 4.9 Explicación de recomendaciones hechas a un usuario registrado, tomada de http://www.amazon.com
Fig. 4.10 Explicación de recomendaciones hechas a un usuario no registrado, tomada de http://www.amazon.com
Capítulo IV. Metodología para la generación de explicaciones en los SR
56
Amazon también cuenta con otra presentación de explicaciones para usuarios que
no están registrados, las recomendaciones se realizan con base a la búsqueda del usuario y a
ítems similares. En la Fig. 4.10 se introdujo en la búsqueda el Smartphone Samsung Galaxy
S3 y la explicación se despliega con el texto “Clientes quienes compraron este ítem también
compraron” y a continuación muestra una lista de ítems recomendados que son similares al
de la búsqueda, junto con la imagen y descripción de cada ítem recomendado.
Facebook (https://www.facebook.com) y diferentes redes sociales cuentan con el
tipo texto e imagen para la presentación de las explicaciones. Debido a la gran cantidad de
información que se tienen almacenada, se pueden realizar inferencias para recomendar a un
usuario otros usuarios que podría conocer. En este caso las explicaciones no son tan
explicitas como “Te recomendamos a las siguientes personas porque son amigos de tus
amigos…” sino que es muy común que las explicaciones se presenten de la siguiente
forma: “Personas que quizá conozcas” y a continuación una lista de personas recomendadas
junto con la foto de perfil y una breve descripción que indica que la persona recomendada y
el usuario tienen amigos en común ver Fig. 4.11.
Otro ejemplo del tipo de interfaz texto e imagen es un sistema de recomendación de
autos en el sitio web (http://www.myproductadvisor.com) inicialmente se encontraba
disponible para recomendaciones de cámaras fotográficas. Las recomendaciones son
basadas en conocimiento de acuerdo a las especificaciones de los usuarios. Las explicación
del auto recomendado se presentan en un cuadro de dialogo “Aquí están las
recomendaciones de los autos que reúnen tus preferencias” y en la parte inferior la lista que
Fig. 4.11 Explicaciones en Facebook, tomada del portal https://www.facebook.com
Fig. 4.12 Explicaciones de autos recomendados, tomada del portal www. MyProductAdvisor.com
Capítulo IV. Metodología para la generación de explicaciones en los SR
57
contiene los autos recomendados, el nombre del auto, el precio y un enlace de para mostrar
los detalles del auto, ver Fig. 4.12.
En (Zanker, y otros, 2010) también se utiliza el tipo de explicación texto e imagen
para explicar recomendaciones de “thermal spa resorts”. Estas explicaciones explotan el
dominio de conocimiento explícito y los pasos de inferencia empleados para la
recomendación de un ítem son utilizados como una explicación, es decir, las entradas de las
preferencias y necesidades de los usuarios se utilizan con argumentos de una explicación,
tal como se muestra en la Fig. 4.13. Se presenta la lista de ítems recomendados junto con la
imagen de cada spa y la explicación que comprende la información utilizada para
recomendar cada ítem.
En (Baltrunas, y otros, 2011) desarrollaron un sistema de recomendación ReRex
para lugares de interés que explota la información contextual del usuario para generar
recomendaciones más útiles. Estas recomendaciones son explicadas mediante la referencia
de algunos factores seleccionados que describen la situación contextual del usuario, es
decir, utilizan los criterios contextuales más importantes que conducen a la recomendación
para explicarle al usuario el ítem recomendado, estas explicaciones demostraron
incrementar la precisión de las recomendaciones y aumentar la satisfacción del usuario con
Fig. 4.13 Explicaciones inteligentes (Zanker y otros, 2010)
Capítulo IV. Metodología para la generación de explicaciones en los SR
58
el sistema de recomendación. La interfaz de explicación texto e imagen empleada en un
Smartphone se muestra en la Fig. 4.14 donde se presenta el ítem, una imagen del ítem
recomendado, la explicación y debajo una descripción del ítem recomendado.
4.2.4.3 Presentación en formato de tablas e histogramas
En (Herlocker, y otros, 2000) se realizó un estudio sobre las interfaces de
explicaciones para sistemas de recomendación de filtrado colaborativo, con el fin de saber
cuáles son los modelos y técnicas más eficaces para las explicaciones. La mayoría de las
interfaces son tablas y gráficas. El experimento se realizó con 21 interfaces de explicación
y se midió cómo los usuarios de un sistema de ACF responden a diferentes tipos de
explicación, cada interfaz derivada de los diferentes componentes de los modelos de
explicación, que se proponen el trabajo.
Se aborda la problemática de cómo deben ser implementadas y porqué deben ser
implementadas, y resulta un trabajo amplio en el área de explicaciones en los sistemas de
recomendación en particular en los términos que definen el contenido a presentar.
Uno de los componentes clave para las explicaciones, fue una gráfica de las
calificaciones de los vecinos que se muestran en la Fig. 4.15, se creyó que este gráfico
resultaría ser excepcionalmente eficaz por transmitir una gran cantidad de datos acerca de
la predicción en una pequeña cantidad de espacio y resultó muy bueno para los usuarios
expertos, pero demasiado complejo para los usuarios normales.
Fig. 4.14 Explicaciones contextuales (Baltrunas y otros 2011)
Capítulo IV. Metodología para la generación de explicaciones en los SR
59
Los histogramas de puntuaciones Fig. 4.16, resultaron ser las formas más
convincentes para explicar los datos detrás de una predicción, además de comparaciones de
ítems similares puntuados, comparación de resultados previos y características de contenido
del dominio específico, fueron también formas convincentes para justificar una
recomendación.
En (Chen, 2006) se investigó la modalidad de las explicaciones, el uso de graficas
vs. Texto, la cantidad de información utilizada, si textos cortos o largos inspiran más
confianza y si existen técnicas de explicación alternativas que son más eficaces en la
construcción de confianza que el simple "why". Con base a lo anterior diseñaron una
interfaz de explicación basada en la organización de la información mediante un algoritmo
que consta de cinco principios:
• Categorización de las recomendaciones restantes de acuerdo a sus propiedades
similares de compensación relacionadas al principal candidato.
• Proponer mejoras y compromisos en el título de la categoría utilizando un lenguaje
coloquial y mantener el número de atributos compensación menores a cinco para
evitar la sobrecarga de información.
• Eliminar las categorías dominadas, y diversificar las categorías en términos de sus
títulos y recomendaciones contenidas.
• Incluir productos reales en una categoría recomendada.
• Las recomendaciones de rango dentro de cada categoría por tipo de cambio en lugar
de medir la similitud.
En esta interfaz el mejor ítem se muestra en la parte superior de la interfaz junto con
varias categorías de alternativas y cada categoría se etiqueta con un título que explica las
características de la categoría.
Fig. 4.15 Gráfica compleja, (Herlocker, y otros, 2000) Fig. 4.16 Histograma de valoraciones
de vecinos, (Herlocker, y otros, 2000)
Capítulo IV. Metodología para la generación de explicaciones en los SR
60
Los resultados muestran que la interfaz de organización incrementa
significativamente la percepción del usuario de la interfaz lo que resulta en su mayor
intención de usar la interfaz de nuevo y ahorrar su esfuerzo cognitivo. Además se encontró
que la mayoría de los usuarios prefieren el título de una categoría en lenguaje natural y
coloquial porque los hace sentirse a gusto, también que los usuarios prefieren los títulos de
las categorías que involucran hasta 3 atributos de comparación por ejemplo “Tienen un
precio más bajo y una mayor velocidad de procesador, pero mayor peso”.
En (Bilgic, y otros, 2005) presentan los estilos de explicación influence style
explanation (ISE) y keyword style explanation (KSE) donde se compara su desempeño con
el neighbor style explanation (NSE) presentado en (Herlocker, y otros, 2000), en términos
de la promoción del ítem vs. Satisfacción del usuario. En el trabajo de Bilgic la aportación
Tabla 4.3 Interfaz basada en la organización de la información, (Chen, 2006)
Capítulo IV. Metodología para la generación de explicaciones en los SR
61
más importante de las explicaciones es ayudar a tomar decisiones más informadas y
precisas sobre qué recomendaciones utilizar (satisfacción).
El KSE presenta eficazmente los aspectos del contenido de ítem que fueron más
responsables para que el ítem sea altamente calificado por el sistema. Como se muestra en
la Tabla 4.4. Si el usuario se pregunta de dónde se produjo una determinada palabra clave,
puede hacer clic en la columna de explicación, que lo llevará a una nueva tabla que muestra
ejemplos de entrenamiento en el que se produjo esa palabra y cuántas veces aparece la
palabra, Tabla 4.5.
Las explicaciones del ISE Tabla 4.6 que presentan calificaciones proporcionadas
previamente por el usuario y el KSE las cuales presentan información sobre el contenido de
un ítem recomendado, resultaron ser significativamente más eficaces.
4.2.4.4 Otros gráficos
Hasta este punto se puede observar que las diferentes interfaces de explicación
mostradas contienen en su mayoría imágenes de los ítems recomendados, tomando en
cuenta este aspecto, existen estudios que comparan los resultados obtenidos de imágenes
vs. Texto. Por lo general una imagen se recuerda mejor y puede ser más sugestiva, precisa y
poderosa que las palabras cuando se requiere realizar un gran número de asociaciones de
información, lo que se conoce como “Efecto de superioridad de las imágenes”. La vista es
el sentido dominante en la mayoría de los seres humanos.
Tabla 4.4 Palabras clave que influyeron en
una recomendación, (Bilgic, y otros, 2005).
Explicaciones estilo Palabra Clave, (Bilgic, y
otros, 2005)
Tabla 4.5 Explicaciones estilo Palabra Clave, (Bilgic, y otros, 2005)
Tabla 4.6 Explicaciones estilo influencia, (Bilgic, y otros, 2005).
Capítulo IV. Metodología para la generación de explicaciones en los SR
62
En el capítulo titulado “La visión triunfa sobre todos los otros sentidos” del libro
Brain Rules (Medina, 2008) se menciona que algunos experimentos mostraron que las
personas pueden recordar más de 2500 imágenes con una precisión de al menos el 90%
muchos días después de haberlas visto, incluso aunque sólo vieron cada una durante 10
segundos. Un año después, los sujetos del experimento todavía recordaban alrededor del
63%. Esto da razón a un famoso dicho popular el cual afirma que “una imagen vale más
que mil palabras”. También en (Rodriguez Piña, y otros, 2008), se menciona que las
imágenes estimulan una gran variedad de habilidades corticales1 colores, formas, líneas,
dimensiones, texturas, ritmos visuales y especialmente la imaginación, que es donde el
cerebro cultiva su poder para crear imágenes, representar las ideas, capacidad de
pensamiento y de percepción, así como la memoria y la creatividad.
El sociólogo mexicano Antonio Emmanuel Berthier (Berthier, 2007) afirma que los
mapas mentales reproducen el proceso natural sobre el que opera la inteligencia, donde toda
la actividad cerebral se realiza mediante conexiones electroquímicas (sinapsis) entre los
hemisferios cerebrales, a través de estas conexiones las neuronas se comunican para formar
una red de almacenamiento y procesamiento de la información; las conexiones sinápticas
forman "circuitos de enlace" por los que fluye la nueva información y se conecta con la
información existente para poder comprenderla, haciendo que nuestras capacidades
cognitivas se concentren sobre un mismo objeto y trabajen armónicamente con un mismo
propósito. De ahí se deriva el concepto de pensamiento radial y los mapas mentales son una
expresión de la forma en que se realiza este proceso. Al igual que en el cerebro, el mapa
mental procede mediante la asociación de ideas: una vez ubicada la idea central, ésta se
puede representar como una esfera central de la que irradian asociaciones “ramas” hacia
todas las ideas relacionadas a ella, mostrando las diferentes dimensiones o aspectos de un
mismo tema.
Tony Buzan, el psicólogo al cual se le atribuye el término de mapa mental, se basa
en los hemisferios cerebrales para proponer los mapas mentales como la herramienta válida
a la hora de expresar ideas de forma visual que permiten representar las ideas principales y
ver con rapidez y claridad la forma en que se relacionan entre ellas, (Buzan, 2002). Entre
las ventajas que obtenemos con el uso de los mapas mentales, podemos mencionar las
siguientes:
• Permiten agrupar una mayor cantidad de información con una estructura sencilla y
clara.
• Proporcionan una visión global de la información.
• El núcleo o idea principal queda claramente definido (puede interesarte).
• Los vínculos que existen entre los conceptos clave se pueden conocer a simple vista
teniendo en cuenta la proximidad y conexión.
• La importancia relativa de cada idea se indica con claridad.
• La naturaleza de la estructura permite añadir con facilidad nueva información.
• Permite que el cerebro trabaje con asociaciones, conexiones de una manera relajada.
1 La cartografía de la corteza cerebral, localiza áreas corticales y determina sus funciones: Área motriz, pre-frontal, auditiva, Wernicke, sensoriales, memoria a corto plazo y área visual (Pribram, y otros, 1995).
Capítulo IV. Metodología para la generación de explicaciones en los SR
63
Por otra parte los mapas conceptuales, desarrollados por Novak en los 70, se usan
como un medio para la descripción y comunicación de conceptos dentro de la teoría de
asimilación, una teoría del aprendizaje que ha tenido una enorme influencia en la
educación, esta teoría está basada en un modelo constructivista de los procesos cognitivos
humanos, es decir describe cómo el educando adquiere conceptos, y cómo se organizan en
su estructura cognitiva (Cañas, y otros, 2000). Los mapas conceptuales expresan
explícitamente las relaciones jerárquicas más relevantes entre un conjunto de conceptos
para captar lo más significativo de un tema; esta relación se describe por medio de palabras
de enlaces formando proposiciones. La forma más simple de un mapa conceptual constaría
de dos conceptos unidos por una palabra de enlace para formar una proposición.
Una característica muy importante de los mapas conceptuales, es que tienen una
jerarquía gráfica, es decir los conceptos más generales se explicitan en la parte superior y
descienden por el mapa, encontrando los conceptos de jerarquía intermedia y luego los más
específicos (Ciliberti, y otros, 1999), por ejemplo en la Fig. 2.2 de la sección 2.5.1, se
muestra un mapa conceptual sobre plantas. En un mapa mental también es posible expresar
la jerarquía de los conceptos mediante nodos, haciendo gráficos de los diferentes niveles de
inclusión, desde los más generales, hasta los más específicos, además se pueden relacionar
distintas ramas jerárquicas entre sí, mediante enlaces cruzados, estableciendo conexiones o
nexos (Costamanga, 2001). En general para construir un mapa conceptual es necesario
identificar los conceptos, ordenarlos del más general al más específico, enlazar los
conceptos y añadir algunos ejemplos. Es importante señalar que las relaciones subordinadas
entre conceptos pueden cambiar en diferentes segmentos, es decir, que cualquier concepto
puede elevarse a una posición superior y seguir manteniendo una relación proposicional
significativa con otros conceptos del mapa.
Con base en esta argumentación con respecto al impacto del uso de las imágenes,
proponemos una presentación de las explicaciones en forma de: mapa mental y conceptual.
Cabe mencionar que la generación de este tipo de representación se plantea como trabajos
futuros, ya que se deben tomar en cuenta aspectos como la formalización mediante una
estructura que nos permita pasar de texto a una representación gráfica, por ejemplo,
mediante gramáticas visuales, además dicha estructura debe permitir inferencias sobre la
información almacenada para descubrir las relaciones existentes.
Fig. 4.17 Explicación mediante mapa mental
Capítulo IV. Metodología para la generación de explicaciones en los SR
64
Los mapas mentales son herramientas con un gran poder de utilidad, al utilizar un
mapa mental el cerebro se concentra en una idea principal y realiza las asociaciones de la
información de forma natural. Se puede establecer como centro del mapa mental la “idea
principal de recomendación” o incluso al “usuario” y en las ramificaciones mostrar los
ítems recomendados por el sistema especificando información básica en las ramificaciones,
como se muestra en la Fig. 4.17 Explicación mediante mapa mental.
Las explicaciones mediante mapas mentales pueden implementarse cuando no se
desea sobrecargar al usuario con demasiada información textual, de esta forma la
información y distribución de los ítems resultará más comprensible y amigable
gráficamente; además ayuda a promover el pensamiento causal de una recomendación
haciendo que el usuario perciba en cada ramificación, las relaciones explicitas entre los
ítems recomendados; cuando se ofrecen recomendaciones de listas de ítems, como se
muestra en la Fig. 4.18 Explicación mediante mapa conceptual.
4.2.5 Conclusiones
La metodología propuesta se puede resumir de la siguiente forma:
Fase de Análisis:
Entrada: Técnicas de recomendación y estilos explicativos.
Actividad: El análisis del Sistema de Recomendación y las técnicas utilizadas por el
motor de recomendación.
Actividad: Análisis de los diferentes estilos de explicación, así como la
información necesaria para generar explicaciones en cada estilo.
Salida: Conocimiento del funcionamiento, objetivos, ventajas, desventajas y
características de cada técnica y estilo analizado.
Fase de Diseño:
Entrada: Objetivos de los explicaciones, estructuras sintácticas, elementos de
personalización y elementos que conforman la presentación de las explicaciones.
Actividad: Definición de los objetivos que el diseñador del sistema de
recomendación puede conseguir con las explicaciones.
Fig. 4.18 Explicación mediante mapa conceptual
Capítulo IV. Metodología para la generación de explicaciones en los SR
65
Actividad: Definición de la estructura sintáctica de las explicaciones.
Actividad: Personalización de las plantillas, definición de formas de redacción,
recuperación de información de los ítems e identificación de campos variables.
Actividad: Definición de la presentación de las explicaciones al usuario.
Salida: Objetivo, estructura, elementos de personalización y tipo de presentación
definidos
Fase de Implementación
Entrada: Características de la técnica de recomendación utilizada, características de
cada técnica, información requerida por el estilo de explicación utilizado, estructura,
elementos de personalización y tipo de presentación.
Actividad: Creación de las plantillas explicativas, con las salidas generadas en las
actividades anteriores
Salida: Plantillas explicativas con campos de texto variables.
Por otra parte se puede observar que las diferentes interfaces de explicación
mostradas en esta sección son del tipo texto e imagen, es decir, las explicaciones se
presentan junto con un icono o imagen de los ítems recomendados. Además es poco común
que una explicación se presente en una interfaz independiente del ítem recomendado.
Tomando en cuenta las interfaces presentadas y los trabajos entre los que destacan
los experimentos realizados en (Herlocker, y otros, 2000) donde se demostró que los
usuarios prefieren interfaces explicativas más simples; el trabajo de (Tintarev, 2009) donde
se experimentó el efecto de eliminar la imagen del ítem recomendado en una explicación, la
cual al no contar con suficiente información, los usuarios se pierden y pueden optar por no
calificar los ítems o abandonar la interfaz; entre otros; se pueden identificar tres elementos
comunes en la mayoría de las interfaces de explicación: Una imagen o ícono que represente
al ítem recomendado, el nombre del ítem y un texto explicativo, por lo tanto, concluimos
que cualquier explicación textual debe de contar con al menos estos elementos.
4.3 Discusión de la metodología
La metodología propuesta representa una guía para cada etapa del proceso de
creación de explicaciones textuales para los sistemas de recomendación, mediante plantillas
con campos variables. Utilizando en la elaboración de cada fase, los aspectos que el
diseñador del sistema de recomendación considere adecuados para el sistema a desarrollar o
en dado caso, para el sistema de recomendación se encuentre desarrollado y se requiera la
implementación de servicios de explicación. Este proceso manual requiere un análisis de
información, toma de decisiones y selección de aspectos y atributos que componen cada
una de las fases.
Una de las mayores aportaciones radica en que la metodología es adaptable y
extensible a las necesidades del diseñador del sistema de recomendación. En este contexto
entiéndase por adaptable a la capacidad de ajustar dicha metodología para generar
explicaciones de ítems de diferentes dominios de aplicación y técnicas de recomendación;
la extensibilidad se refiere a la capacidad de ampliar la metodología en cada una de sus
fases, agregando aspectos que resulten relevantes para la generación de explicaciones.
CAPÍTULO V Implementación de la metodología
para la generación de explicaciones
5. Implementación de la metodología para la generación de explicaciones
Capítulo V. Implementación de la metodología para la generación de explicaciones
67
Con el fin de demostrar la funcionalidad de la metodología para la generación de
explicaciones, en este capítulo se describe paso a paso su implementación, centrándose en
las fases propuestas y generando plantillas explicativas, las cuales se verifican mediante
casos de prueba sobre un conjunto de ítems heterogéneos recomendados.
En cada fase de la metodología se realiza una adecuación al sistema de
recomendación utilizado en (Lozano, 2013), el cual, se desarrolló sobre el dominio de
Instituciones de Educación Superior (CENIDET); realizando recomendaciones sobre el
conjunto de ítems heterogéneos: Personas, objeto de conocimientos, lugares (instalaciones),
servicios, actividades/eventos, recursos tecnológicos y proyectos; mediante diferentes
técnicas de recomendación: filtrado colaborativo, contenido y conocimiento; sobre tres
tipos de usuario: Estudiantes, profesores/investigadores y Empresarios/otros.
Las explicaciones generadas mediante las plantillas, están motivadas para aumentar
la confianza del usuario hacia el sistema, las cuales son llenadas con la información
correspondiente en sus campos de texto variable, exponiendo el por qué se originaron
dichas recomendaciones.
5.1 Fase de análisis
5.1.1 Actividad: Análisis del funcionamiento del SR y las técnicas utilizadas
Esta actividad consta de dos tareas las cuales son el análisis del sistema de
recomendación utilizado y el análisis de las técnicas utilizadas por el sistema de
recomendación, en la primera tarea se busca conocer el funcionamiento básico del SR tipo
de recomendaciones, dominio, usuarios, técnica/s de recomendación utiliza/s, etc.
5.1.1.1 Análisis del sistema de recomendación utilizado
Como se mencionó anteriormente cada fase de la metodología se desarrolla sobre el
sistema de recomendación utilizado en (Lozano, 2013), (González, 2012), el cual se
implementó en un dominio de Instituciones de Educación Superior (tropicalizado al
CENIDET); realizando recomendaciones sobre el conjunto de ítems heterogéneos:
Personas, objetos de conocimiento, lugares (instalaciones), servicios, actividades/eventos,
recursos tecnológicos y proyectos; mediante diferentes técnicas de recomendación: filtrado
colaborativo, contenido y conocimiento a tres tipos de usuario: Estudiantes,
profesores/investigadores y Empresarios/otros. Cabe mencionar que la última versión del
sistema denominada FindIt!, será la que cuente con la implementación de las explicaciones.
5.1.1.2 Análisis de las técnicas utilizadas por el sistema de recomendación
Para el sistema en cuestión se presentan los puntos más importantes de cada una de
las técnicas de recomendación utilizadas por (Lozano, 2013).
Capítulo V. Implementación de la metodología para la generación de explicaciones
68
5.1.1.2.1 Sistemas de recomendación basados en filtrado colaborativo
Los SR basados en filtrado colaborativo añaden valoraciones de objetos, reconocen
características comunes entre usuarios a partir de las valoraciones y generan nuevas
recomendaciones mediante la comparación entre usuarios. Un perfil de usuario típico en un
SR basado en filtrado colaborativo se compone de un vector de ítems y sus valoraciones,
modificadas dinámicamente conforme el usuario utiliza el sistema (Alejandres, 2012). En
algunos casos, las valoraciones pueden ser de tipo binario o valores numéricos que indican
cierto grado de preferencia.
La entrada asumida para el motor de recomendación son calificaciones de usuarios u
de ítems en I. Estas calificaciones son usadas para identificar usuarios que son similares en
calificaciones para u. (Tintarev, y otros, 2011).
1. Basada en usuarios: Se define una comunidad de usuarios (similares) basada en los
perfiles de los usuarios considerando sus habilidades, competencias, gustos, etc. Se
recomiendan ítems de acuerdo a las valoraciones que estos usuarios han
proporcionado a los ítems
2. Basada en ítems: Se define una comunidad de ítems (similares) basada en las
características de los ítems y se recomiendan ítems de acuerdo las valoraciones de
los mismos.
La información con la que trabaja el proceso de recomendación consta de una serie
de ítems, usuarios y valoraciones proporcionada por los usuarios sobre esos ítems: el
espacio del problema viene definido como una matriz de usuarios frente a ítems, en la que
cada celda representa la puntuación de un usuario concreto referida a un ítem específico.
Las valoraciones pueden generarse de dos formas: implícitas y explícitas. Las
implícitas son aquellas que se pueden generar a partir de la interacción usuario-ítem, y las
explícitas son aquellas en que el usuario califica directamente un ítem (Herlocker, y otros,
2004).
En la implementación del recomendador basado en filtrado colaborativo (Lozano,
2013) se toma como base la generación de listas de características de forma explícita e
implícita, no sólo se toman las valoraciones del usuario sino que también se toma la
información del perfil del usuario, de manera concreta, la lista de características explícita se
genera a partir de las características que se puedan extraer directamente del perfil del
usuario, mientras que la lista de características Implícita se genera a partir de los ítems que
el usuario ha valorado, así, la unión de ambas listas dan como resultado el perfil de
recomendaciones del usuario, el cual puede ser definido como un perfil complejo del
usuario.
Dicho perfil de recomendaciones del usuario sirve para ser comparado a través de técnicas
de similitud con el perfil de recomendaciones de cada usuario que haya valorado
(calificado) al menos una recomendación generando un conjunto de grados de similitud
entre el usuario activo y los usuarios en el sistema ver Fig. 5.1.
Capítulo V. Implementación de la metodología para la generación de explicaciones
69
Una vez que se cuenta con un conjunto de grados de similitud se deben considerar
los 𝑛 usuarios más similares al usuario activo por medio de la definición de un umbral que
determine el grado mínimo de similitud con que un usuario debe contar para ser
considerado, formando con esto un conjunto de usuarios más similares que serán
considerados.
Este conjunto de usuarios similares se toma como referencia para obtener los 𝑛
ítems que los usuarios han valorado (tomando en cuenta un umbral que define la valoración
mínima de cada ítem para ser considerando y recomendado al usuario activo) y de esta
forma, estos ítems son los que se le recomiendan al usuario activo, ver Fig. 5.2.
5.1.1.2.2 Sistemas de recomendación basados en contenido
En un SR basado en contenido, los ítems se definen por sus características. Por
ejemplo, un SR de libros utiliza características como género, año de publicación, autor o
número de páginas. Otro enfoque de este tipo de sistemas es utilizar los contenidos
textuales del ítem como características; es decir, cada palabra dentro del ítem formará una
característica de la cual se evaluará la frecuencia de aparición. Un SR basado en contenido
aprende el perfil de los intereses del usuario con base en las características presentes de los
ítems que el usuario ha valorado, de esta forma, al igual que en el filtrado colaborativo, el
perfil de usuario se vuelve variante en el tiempo; es decir, conforme el usuario valora más
ítems, el perfil de usuario se incrementa.
Fig. 5.1 Generación del conjunto de similitudes (Lozano, 2013)
Fig. 5.2 Generación de recomendaciones del Filtrado Colaborativo (Lozano, 2013)
Capítulo V. Implementación de la metodología para la generación de explicaciones
70
Por ejemplo si un usuario tiene calificado altamente un lugar A y pobremente un
lugar B en un sitio web de viajes, un Sistema de recomendación basado en contenido podría
usar las características de estos lugares tales como clima y densidad de población para
recomendar otro lugar con características similares al lugar A (Ferwerda, y otros, 2012). En
general se trata de encontrar ítems similares a aquellos que al usuario le han gustado en
función del contenido del mismo, es decir:
• Se recomiendan ítems que cumplan las características que se encuentren presentes
en los ítems que el usuario ha valorado.
Debido a que en una corrida inicial del sistema no se tienen las calificaciones de los
usuarios hacia los ítems, ésta técnica la trasladamos a dos casos:
1. Cuando se realiza una primera corrida del sistema y no se cuenta con información
previa acerca de ítems que le hayan gustado al usuario, entonces se procede a
comparar las características de su perfil (gustos, preferencias, etc.), con las
características presentes en los ítems, para encontrar aquellos que pueden
interesarle.
2. Cuando se cuenta con información previa acerca de ítems que le hayan gustado al
usuario, se consideran las características de estos ítems para encontrar aquellos con
características similares.
La entrada asumida para el motor recomendador son las calificaciones de usuarios u
de ítems en I. estas calificaciones son usadas para generar un clasificador que se adapte al
comportamiento de calificación del usuario u y utilizarlo en I. Una predicción para el ítem
recomendado se basa en lo bien que se adapta a este clasificador. Por ejemplo si es similar a
otros ítems altamente calificados (Tintarev, y otros, 2011).
En la implementación de este recomendador (Lozano, 2013) se toma como base el
perfil de recomendaciones, el cual, al igual que en el filtrado colaborativo, se genera a partir
de la lista explícita y la implícita, con la diferencia que la lista explícita contiene las
características del perfil del usuario y en la implícita características más complejas de cada
ítem que el usuario ha valorado (Estas características se han seleccionado para ser
utilizadas en el proceso de explicación en la sección 5.2.3.2 Recuperación de información e
Identificación de campos variables ).
A diferencia del Filtrado Colaborativo no se busca la similitud entre usuarios sino la
similitud entre las características del usuario (perfil de recomendaciones) y las
características de los ítems (usuario-ítem). Esta similitud se busca por medio de una
similitud sintáctica donde se genera un conjunto de información del usuario (perfil de
recomendaciones) y se compara con un conjunto de información de un ítem. Este proceso
se aplica a cada uno de los ítems que pueden ser recomendados. Los ítems que se
recomiendan al usuario activo son los que se consideran más similares ver Fig. 5.3.
Capítulo V. Implementación de la metodología para la generación de explicaciones
71
5.1.1.2.3 Sistemas de recomendación basados en conocimiento
Los SR basados en conocimiento sugieren ítems obtenidos por medio de inferencias
con base en las necesidades del usuario y sus preferencias (Alejandres, 2012). Estas
técnicas se diferencian en que utilizan conocimiento funcional: se conoce cómo un ítem en
particular cumple con una necesidad específica y se puede inferir la relación entre la
necesidad y una posible recomendación, el perfil de usuario debe ser una estructura de
conocimiento que soporte las inferencias. Estas estructuras de conocimiento pueden ser tan
simples como una consulta, ingresada en un buscador tradicional, o más detalladas como
una representación semántica en ontologías.
Para el estilo de explicaciones basadas en conocimiento y utilidad la entrada
asumida para el motor de recomendación son la descripción de las necesidades o intereses
de los usuarios. El motor comendador infiere una correspondencia entre los ítems y las
necesidades de los usuarios. La principal característica de este tipo de técnica de
recomendación es la utilización de un modelo de conocimiento de donde se parte para hacer
el proceso de recomendación,
La forma en cómo se genera este modelo de conocimiento en (Lozano, 2013) es a
partir de las recomendaciones que los usuarios han definido que les ha gustado (con base en
las valoraciones) y a partir de ahí extraer qué características tienen los usuarios a los que se
le han hecho esas recomendaciones y que le han gustado. El objetivo de esto es poder
inferir/extraer qué características están teniendo impactando más a los usuarios donde las
recomendaciones han sido de su agrado.Este proceso de la recopilación del modelo de
conocimiento se genera de manera of-line, es decir, periódicamente se extraen nuevas
características de los usuarios complementando las del ítem ver Fig. 5.4.
Fig. 5.3 Sistema de Recomendación Basado en Contenido (Lozano, 2013)
Fig. 5.4 Generación de Modelo de Conocimiento (Lozano, 2013)
Capítulo V. Implementación de la metodología para la generación de explicaciones
72
5.1.2 Actividad: Análisis de los estilos de explicación a implementar
Para generar las explicaciones en esta tesis, se considera implementar estilos de
explicación según las técnicas de recomendación utilizadas por el sistema las cuales
corresponden a: Estilo basado con colaboracion, estilo basado en contenido y estilo basado
en conocimiento, ver Tabla 5.1; esto con el fin de explotar las características de cada
técnica utilizada para la generación de las recomendaciones del sistema de recomendación
sensible al contexto (Lozano, 2013).
El estudio del estado de arte nos proporciona una visión general sobre el hecho de
que los estilos de explicación pueden ser implementados en un sistema de recomendación
de acuerdo a la técnica utilizada por el motor de recomendación sin importar su dominio
de aplicación, siempre y cuando se exploten adecuadamente los recursos de la técnica de
recomendación que originaron la recomendación de un ítem, en otras palabras, no sería
posible implementar un estilo de explicación basado en contenido, si el sistema de
recomendación no lo permite (si no existe una descripción de características del ítem), o
carecería de sentido si el sistema de recomendación se basa en contenido y se trata de
explicar el ítem mediante filtrado colaborativo cuando no se cuenta con la información de
usuarios con preferencias similares al usuario activo.
Tabla 5.1Estilos de explicación que se emplearan en el trabajo de tesis
Estilos de explicación Información utilizada
Basado en el contenido Características de los ítems
Basado en Colaboración Calificaciones de usuarios sobre los ítems
Basado en Conocimiento Características de los ítems en I que se ajustan a los
gustos y preferencias del usuario.
Basados en información
contextual del usuario
Factor contextual que tuvo mayor relevancia en la
recomendación
• Contenido: Se emplean Técnicas de similitud basadas en las características
definidas para cada tipo de ítem.
• Colaborativo: Se definen comunidades de ítems similares o comunidades de
usuarios similares al usuario activo.
• Conocimiento: se define un conjunto de reglas de recomendación explícitamente
definidas: seleccionar los ítems que satisfacen todas las reglas de recomendación; o
basado en diferentes métricas de similitud: Recuperar elementos que son similares a
los requisitos especificados.
• Información contextual: se considera que la información contextual utilizada en el
sistema (Lozano, 2013) no es relevante para mostrar explícitamente en las
explicaciones (cercanía, disponibilidad del ítem), ya que si un ítem no está
disponible o cercano, no se le recomienda al usuario.
Capítulo V. Implementación de la metodología para la generación de explicaciones
73
Fig. 5.5 Extracción de información empleada en las recomendaciones
En la Fig. 5.5 se ilustra el proceso de selección de los recursos extraídos de acuerdo
al tipo de ítem recomendado. Se recibe como entrada el archivo que contiene la lista de las
recomendaciones, se identifica cada tipo de ítem recomendado (Personas, Objeto de
Conocimientos, Servicios, eventos, etc.) para extraer los recursos, llenar las plantillas y
generar las explicaciones para cada ítem.
Por extracción de recursos se refiere a la recuperación de las características del ítem,
lista de vecinos cercanos al usuario, ponderaciones del usuario, lista de ítems similares,
información contextual y cualquier tipo de información pertinente que originó la
recomendación del ítem en (Lozano, 2013).
5.2 Fase de Diseño
5.2.1 Actividad: Identificación de los objetivos de las explicaciones en el SR
Como mencionamos en el capítulo anterior en (Tintarev, y otros, 2011) se presentan
siete objetivos de las explicaciones, las cuales son aplicables a las recomendaciones de un
solo ítem, cabe mencionar que el sistema sobre el cual se desarrolla esta investigación,
recomienda un conjunto de ítems heterogéneos, los cuales se presentan al usuario mediante
una lista, pero se busca generar explicaciones individuales para cada ítem y no una
explicación para la lista completa de ítems recomendados.
Algunos de los atributos de las explicaciones pueden contribuir al cumplimiento de
múltiples objetivos, por ejemplo, una explicación comprensible puede contribuir a la
confianza y satisfacción del usuario.
Aunque la confianza, así como la efectividad de las recomendaciones depende en
gran medida de la precisión del algoritmo de recomendación, creemos en la hipótesis que
una mayor claridad y coherencia ayudan a una mejor comprensión y por lo tanto mayor
confianza del usuario en el sistema, por este motivo la implementación de explicaciones
para el sistema de recomendación Find-it (González, 2012) en su última versión, es
aumentar la confianza del usuario hacia el sistema, y brindar explicaciones claras y
comprensibles que le ayuden en proceso de recomendación, exponiendo la información
utilizada para la emisión de una recomendación. Así, el usuario puede decidir si existe
Capítulo V. Implementación de la metodología para la generación de explicaciones
74
suficiente evidencia para tomarla como válida. Además de proporcionar otros objetivos
implícitos como la transparencia y la escrutabiliad ver Fig. 5.6.
La principal razón que nos motiva a inclinarnos por el incremento en la confianza
del usuario, es debido a que el sistema es enfocado a instituciones de educación superior y
se requiere que el usuario final confíe en las recomendaciones hechas por el sistema, más
que intentar convencerlo de probar o aceptar una recomendación. Además nos ayudarnos
de la teoría de la estructura retorica para estructurar las explicaciones de tal forma que el
texto sea comprensible siguiendo ciertas normas de buena formación textual como veremos
en la sección 5.2.2.
5.2.2 Actividad: Definición de la estructura sintáctica de las explicaciones
Retomando a la “explicación” desde la perspectiva científica, donde este término se
encuentra restringido como respuesta de la pregunta “¿por qué?” de los hechos,
considerando sólo como explicación científica aquella que busca su marco y conceptos de
referencia únicamente en las relaciones causales, es decir, “Por qué, dada ciertas
condiciones antecedentes, se podría haber esperado que ocurriese el acontecimiento a
explicar”; y con base a la revisión de la teoría de la estructura retórica en la sección 4.2.2,
determinamos que tanto las relaciones causales como los marcadores lingüísticos causales
son los más adecuados para definir una estructura básica y simple para las plantillas
explicativas textuales. Además nos brindan argumentos para respaldar el uso de una
estructura estática en las plantillas.
Fig. 5.6 Objetivos de las explicaciones en el en FindIt! (Rodriguez, 2013)
Capítulo V. Implementación de la metodología para la generación de explicaciones
75
Se han tomado las relaciones causales presentadas en (Piñero, 2001), las cuales
podemos adecuar fácilmente a las explicaciones generadas por el sistema, estas son:
Causa-Efecto: A causa de que en tu perfil tienes …., se te recomendó el ítem x
Efecto-Causa: Se recomendó el ítem x…, debido a que en tu perfil tienes…
Inferencial: si en tu perfil tienes …, entonces , se te recomendó el ítem x
Esto nos proporciona una estructura y marcadores causales que utilizamos en la
definición de las plantillas, para expresar la causa que originó una recomendación ver Fig.
5.7. Por ejemplo:
Núcleo: Se recomendó el artículo Sistemas de Recomendación Contextuales
Satélite: Marcador “debido a” usted calificó altamente el artículo Sistemas de Recomendación
Semánticos”.
5.2.2.1 Selección de la estructura para todas las plantillas
En esta investigación se busca aumentar la confianza de los usuarios hacia el
sistema por medio de las explicaciones, por lo que se considera que el tipo de relación
causal: Efecto-Causa de (Piñero, 2001), es más adecuada ya que brinda una mayor claridad
del texto explicativo, además de que en el lenguaje, tanto oral como escrito de los
mexicanos es más común emplear el conectivo “porque” como relación causal.
Veamos unos ejemplos:
Efecto-Causa: Se recomendó el ítem x (marcador) porque lista de argumentos
Tiene más claridad que:
Causa-Efecto: Lista de argumentos (marcador) por este motivo, se recomendó el
ítem X
Inferencial: Si en tu perfil tienes lista de argumentos, (marcador) entonces se te
recomendó el ítem x
La lista de marcadores más comunes (usados) de la Relación Causal (Piñero, 2001) son:
Fig. 5.7 Estructura de las explicaciones
Capítulo V. Implementación de la metodología para la generación de explicaciones
76
Efecto-Causa: al fin y al cabo/a la postre, después de todo, porque, (y) es que y
pues, debido a.
Regla para la selección del marcador lingüístico
Si existe una explicación (X) y se requiere un marcador lingüístico (ML) entonces obtener
lista de marcadores lingüísticos de Causa-Efecto (Piñero, 2001) y utilizar uno
aleatoriamente.
5.2.3 Actividad: Personalización y definición de formas de redacción
Ya que hacemos uso de plantillas con campos de texto variable para la generación
de las explicaciones, llenadas a partir de los descriptores de características de los ítems,
valoraciones de los usuarios, ítems similares, usuarios similares, información contextual
del usuario, etc.; y debido a la orientación del sistema hacia Instituciones de Educación
Superior (IES) y la diversidad de tipos de usuarios (Empresarios, Profesores investigadores,
Alumnos y Otros); se plantea una forma de redacción más personalizada hacia el usuario,
incluyendo su nombre así como el grado académico, por lo que se plantean una serie de
reglas para extraer dicha información.
5.2.3.1 Personalización de los textos explicativos basados en la segmentación del
mercado
Con el fin de personalizar las explicaciones se tomaron como características las
variables demográficas que afectan al consumidor, tales como: nivel de estudios, realizando
una segmentación demográfica de acuerdo al tipo de usuario del sistema.
Ya que no hay una forma única que sirva para segmentar el mercado, la
mercadotecnia tiene que utilizar diferentes variables de segmentación, aisladamente o en
combinación, con el fin de encontrar una forma exacta de hacer llegar sus productos a los
consumidores. La segmentación demográfica es la más utilizada por la mercadotecnia que
consiste en dividir el mercado en grupos tales como: la edad, el sexo, el tamaño de la
familia, el ciclo de vida familiar, la ocupación, la religión, la raza y la nacionalidad (Sahui
Maldonado, 2008).
Debido a los diferentes tipos de usuario del sistema podemos realizar la siguiente
segmentación por la variable ocupación:
Profesor
Estudiante
Empresario u otro
Para lo cual definimos las siguientes reglas las cuales pueden extenderse tanto como lo
permita la información definida en el perfil del usuario:
Capítulo V. Implementación de la metodología para la generación de explicaciones
77
Reglas para personalizar las plantillas con el nombre y grado académico de los
usuarios
Si existe un usuario (X) y tiene-nombre (X, Y) entonces utilizar el nombre del
usuario en la plantilla.
Si existe un usuario (X) y tiene-nombre (X, Y) y tiene-ocupación (X, ”Profesor”) y
tiene-grado de estudio (X, Z) entonces obtener el grado de estudios “Z” y nombre del
usuario “Y” y emplear reglas de género para personalizar la plantilla.
Si existe un usuario (X) y tiene-nombre (X, Y) y tiene-ocupación (X,” Empresario”)
y tiene-grado de estudio (X, Z) entonces obtener el grado de estudios “Z” y nombre del
usuario “Y” y emplear reglas de género para personalizar la plantilla.
Si existe un usuario (X) y tiene-nombre (X, Y) y tiene-ocupación (X,” Empresario”)
y tiene-grado de estudio (X, falso) entonces obtener nombre del usuario “Y” y
complementar con reglas de estado civil, para personalizar la plantilla.
Si existe un usuario (X) y tiene-nombre (X, Y) y tiene-ocupación (X,” Otro”) y tiene-
grado de estudio (X, Z) entonces obtener el grado de estudios “Z” y nombre del usuario “Y”
y emplear reglas de género para personalizar la plantilla.
Si existe un usuario (X) y tiene-nombre (X, Y) y tiene-ocupación (X,” Otro”) y tiene-
grado de estudio (X, falso) entonces obtener nombre del usuario “Y” y complementar con
reglas de estado civil, para personalizar la plantilla.
Si existe un usuario (X) y tiene-nombre (X, Y) y tiene-ocupación (X,, ”Estudiante”) y
tiene-grado de estudio (X, Z) entonces obtener nombre del usuario “Y” emplear reglas de
edad, si edad es >=21 y <=30 solo emplear el nombre del usuario sin apellido para
personalizar la plantilla.
Si existe un usuario (X) y tiene-nombre (X, Y) y tiene-ocupación (X, ”Estudiante”) y
tiene-grado de estudio (X, Z) obtener nombre del usuario “Y” y emplear reglas de edad, si
edad es >30 entonces obtener el grado de estudios “Z” y emplear reglas de género y utilizar
el nombre y grado para personalizar la plantilla.
Por Estado Civil
Casado, Divorciado, Viudo, Soltero, Unión Libre…
Si existe un usuario (X) y (tiene-estado civil (X, ”Casado”) o tiene-estado civil (X,
”Divorciado”) o tiene-estado civil (X, ”Unión Libre”) o tiene-estado civil (X, ”Viudo”)))
entonces emplear el título de (Señor: Sr.) o (Señora: Sra.) de acuerdo a la regla de género
para personalizar la plantilla.
Si existe un usuario (X) y (tiene-estado civil (X, ”Soltero”) entonces emplear reglas
de edad para personalizar la plantilla.
Capítulo V. Implementación de la metodología para la generación de explicaciones
78
Por Edad
18, 18-30, Mayor de 30
Si existe un usuario (X) y tiene-edad (X, >=21) y tiene-edad (X, <=30) entonces
utilizar una forma de redacción directa en segunda persona (Tu).
Si existe un usuario (X) y tiene-edad (X, >30) entonces utilizar una forma de
redacción formal tratar al usuario de Usted.
Por Género
Masculino, Femenino
Si existe un usuario (X) y tiene-género (X, Femenino) entonces utilizar los títulos
adecuados a una mujer; Sra., Dra., etc.
Si existe un usuario (X) y tiene-género (X, Masculino) entonces utilizar los títulos
adecuados a una mujer; Sr., Dr., etc.
5.2.3.2 Recuperación de información e Identificación de campos variables
Los tipos de ítems recomendados por el sistema son: Personas, objeto de
conocimientos, lugares (instalaciones), servicios, actividades/eventos, recursos tecnológicos
y proyectos. Estas plantillas son definidas de acuerdo al dominio de IES y para cada tipo de
ítem recomendado. Tomando en consideración los aspectos mencionados en esta fase de
diseño, se realizó la creación de plantillas para cada ítem y para cada técnica utilizada:
basada en conocimiento, contenido y filtrado colaborativo. El Anexo A contiene en detalle
todas las plantillas creadas. Además se plantea una serie de reglas para la recuperación de
los recursos utilizados por el sistema de recomendación. A continuación se presenta de
manera general, los tipos de plantilla para el ítem Objeto de Conocimiento.
Definiciones:
• [Campo variable]
• (selección de texto fijo)
Cada plantilla inicia de la siguiente forma:
• [grado_Academico]/[título] [nombre_usuario] se (le/te) ha recomendado
(este/esta) …
La información que se utiliza para la personalización de la explicación, se extrae del perfil
del usuario, características como:
• [grado_academico]: ingeniería, maestría, doctorado, etc. Obtenido con Profession.
• [título]: señor, señora. Srita. Joven. Obtenido con estado civil State.
Capítulo V. Implementación de la metodología para la generación de explicaciones
79
• [nombre_usuario]: nombre del usuario.
5.2.3.2.1 Explicaciones basadas en colaboración
Para las explicaciones basadas en filtrado colaborativo se emplean las siguientes
plantillas, las cuales son para cualquier tipo de ítem recomendado por el sistema a
excepción de los eventos, ya que son situaciones temporales las cuales se deben manejar de
diferente forma ya que en algunos casos no cuentan con calificaciones asignadas por que no
ha ocurrido ese evento. Se presentan dos tipos analizados en la sección 5.1.1.2.1.
• Basada en ítems:
o [grado_Academico]/[título] [nombre_usuario] se (le/te) ha recomendado
[este/esta] [tipo_item], [marcador_linguistico] usuarios quienes [acción]
[el/la] [ítem_visitado], también [acción] [el/la] [ítem_recomendado]
• Basada en Usuarios
o [grado_Academico]/ [título] [nombre_usuario] se (le/te) ha recomendado
[este/esta] [tipo_item], [marcador_linguistico] usuarios similares a
[usted/ti] en [lista de características similares], le han asignado una
calificación alta.
5.2.3.2.2 Explicaciones Basadas en contenido
En el caso de las explicaciones basadas en contenido se requiere una mayor
personalización, considerando las características individuales de cada ítem recomendado,
por ejemplo para el ítem objeto de conocimiento, se consideran las siguientes propiedades:
[nombre_objeto_conocimiento]: nombre del objeto de conocimiento recomendado.
[tipo_oc]: tipo de objeto de conocimiento (publicación, tesis, manual, etc.).
[vec_dominio_conocimiento]: vector de palabras contenidas en las áreas de
conocimiento o líneas de investigación al cual pertenece el objeto de conocimiento; que
coinciden con el perfil del usuario.
[vec_palabra_clave]: vector de palabras clave contenidas en los objetos de
conocimiento coincidentes con el perfil del usuario.
Por lo que se crea la plantilla de explicación, de la siguiente forma:
Objetos de conocimiento: [grado_Academico]/ [título] [nombre_usuario] se (le/te) ha
recomendado (este/esta) [tipo_oc], [marcador_linguistico]
a. Está relacionado con [vec_dominio_conocimiento] | contiene los siguientes
términos: [vec_palabra_clave]; los cuales son de son de (tu/su) interés.
b. contiene los siguientes términos [vec_palabra_clave], incluidos en los ítems
que (le/te) han gustado previamente.
Capítulo V. Implementación de la metodología para la generación de explicaciones
80
5.2.3.2.2 Explicaciones Basadas en conocimiento
Al igual que las explicaciones basadas en contenido las explicaciones basadas en
conocimiento requieren personalización específica, considerando los recursos utilizados por
el recomendador, por ejemplo para el ítem objeto de conocimiento, se consideran las
siguientes propiedades:
[nombre_objeto_conocimiento]: nombre del objeto de conocimiento recomendado.
[tipo_oc]: tipo de objeto de conocimiento (publicación, tesis, manual, etc.).
[área_objeto_conocimiento]: áreas de conocimiento, línea de especialización o tópico a
los cuales pertenecen los objetos de conocimiento asociados a la persona recomendada.
[línea_investigacion]: línea de investigación a la cual pertenece el objeto de
conocimiento.
Por lo que se crea la plantilla de explicación, de la siguiente forma:
O.C: [grado_Academico]/ [título] [nombre_usuario] se (le/te) ha recomendado consultar
[este/esta] [tipo_oc], [marcador_linguistico]
o está [relacionado/relacionada] con la línea de investigación de
[línea_investigacion] y (el área de/áreas como)
[área_objeto_conocimiento], por (la cual/las cuales) (tu estas/usted está)
interesado;
5.2.4 Actividad: Definición de la Presentación de las explicaciones
Con base en las conclusiones obtenidas en el capítulo anterior sobre los elementos
con los que debe contar cualquier explicaciones, se plantea la implementación de plantillas
que contienen el texto explicativo; además debido a que las plantillas son creadas acordes a
los tipos de ítem recomendados a cada plantilla se le asocia una imagen correspondiente al
ítem a recomendar, junto con el nombre del ítem recomendado. Como muestra la Fig. 5.8.
Fig. 5.8 Elementos contenidos en una explicación
Capítulo V. Implementación de la metodología para la generación de explicaciones
81
Por ejemplo, para la recomendación de una tesis se pueden tener las siguientes
argumentaciones basadas en las diferentes técnicas de recomendación:
Argumentación basada en conocimiento:
Ing. Pedro Pérez se le ha recomendado el artículo Redes
neuronales debido a que en su perfil indicó que su especialidad es
Inteligencia artificial.
Redes neuronales
Argumentación basada en Filtrado colaborativo:
Ing. Pedro Pérez se le ha recomendado el artículo Redes
neuronales debido a que es similar a otros 2 artículos que usted ha
valorado altamente.
Redes neuronales
Argumentación basada en Filtrado contenido:
Ing. Jesús Rodríguez se le ha recomendado el artículo Redes
neuronales debido a que contiene los términos aprendizaje automático y
redes neuronales por los cuales usted está interesado.
Redes neuronales
Para el tema de las explicaciones basadas en los gráficos propuestos de mapas
mentales y los mapas conceptuales se diseñó un tipo de representación básica, creada
manualmente, con el fin de realizar comparaciones de la experiencia del usuario con la
interacción mediante las explicaciones textuales y estas explicaciones propuestas, dicho
experimento se presenta en el capítulo siguiente.
Capítulo V. Implementación de la metodología para la generación de explicaciones
82
Ejemplos de mapas mentales y mapas conceptuales:
Fig. 5.9 Ejemplo de explicaciones mediante mapas mentales
Fig. 5.10 Ejemplo de explicaciones mediante mapas conceptuales
CAPÍTULO VI Pruebas y resultados
6. Pruebas y resultados
Capítulo VI. Pruebas y resultados
84
En este capítulo se presenta la estrategia utilizada en las pruebas realizadas. Cabe
mencionar que la metodología para la generación de explicaciones ofrece las pautas para
guiar en el proceso de generación de explicaciones textuales en los SR, por lo cual del
capítulo 5 “Implementación de la metodología”, se deriva como resultado la creación de un
repositorio de plantillas explicativas textuales con campos variables para el conjunto de
ítems heterogéneos recomendados por el Find-it en la versión de los recomendadores
implementados por (Lozano, 2013).
Dichas plantillas fueron creadas y posteriormente depuradas mediante casos de
prueba para cada técnica de recomendación utilizada, cada tipo de ítem a recomendar y
cada tipo de usuario definido.
Por otra parte uno de los aspectos fundamentales de la tesis es el diseño, aplicación
y resultados obtenidos de un estudio centrado en el usuario realizado para medir el impacto
de las explicaciones generadas mediante las plantillas, sobre la confianza del usuario en el
sistema. Aplicado a usuarios reales al implementar un prototipo que permitió su evaluación.
6.1 Pruebas realizadas a las plantillas explicativas
Las pruebas realizadas consisten en una evaluación empírica sobre las explicaciones
generadas mediante las plantillas explicativas. Una evaluación empírica puede ser de tres
tipos: experimental, quasi-experimental y por medio de casos de estudio. Tanto la
evaluación experimental como la quasi-experimental requieren un tamaño de muestra y
aleatoriedad considerables (Alejandres, 2012). Por lo tanto la evaluación de las plantillas
explicativas se realizó mediante casos de estudio: Para las plantillas filtrado colaborativo 6
casos, uno por plantilla; para las plantillas basadas en contenido 7 casos, uno por plantilla y
por ultimo para las plantillas basadas en conocimiento generaron 400 explicaciones, las
cuales se utilizaron en la sección 6.2. .
Las explicaciones generadas mediante las plantillas explicativas se dividen en tres grupos de acuerdo a la
técnica de recomendación utilizada: basadas en contenido, basadas en conocimiento y basadas en filtrado
colaborativo; además cada grupo se aplica sobre un conjunto de ítems del tipo: Persona, objeto de
conocimiento, lugar, servicio, evento, recurso tecnológico y proyecto, los cuales se instancian al área de
computación del CENIDET en las líneas de investigación de Sistemas Distribuidos, Inteligencia Artificial e
Ingeniería de Software, tal como se muestra en Tabla 6.1 Pruebas para Plantillas basadas en Filtrado Colaborativo
, Tabla 6.2 y Tabla 6.3.
• Tipo ítem: Persona (PER), objeto de conocimiento (OC), lugar (LUG), servicio
(SER), evento (EVT), recurso tecnológico (REC) y proyecto (PROY).
• Tipo usuario: Los tipos de usuario son: estudiante (EST), profesor/investigador
(PRO) y empresario/otro (EMP).
• Línea: línea de especialización: Sistemas Distribuidos (SD), Inteligencia Artificial
(IA) e Ingeniería de Software (IS).
• CE-PFC: Caso de estudio de plantilla Basada Filtrado Colaborativo.
• CE-PBK: Caso de estudio de plantilla Basada en Conocimiento.
Capítulo VI. Pruebas y resultados
85
• CE-PBC: Caso de estudio de plantilla Basada en Contenido.
Para las técnicas de filtrado colaborativo y basada en contenido se realizaron los
siguientes casos de estudio tal como se muestra en la Tabla 6.1 y la Tabla 6.2.
Tabla 6.1 Pruebas para Plantillas basadas en Filtrado Colaborativo
Estilo
Plantilla
Núm. Tipo
Ítem
Tipo
Usuario
Línea Nombre
Caso Estudio
Filtrado
Colaborativo
01 Persona: PE Profesor IS CE-PFC-PE-01
02 O.C.: OC Estudiante SD CE-PFC-OC-02
03 Lugar: L Profesor IA CE-PFC-L-03
04 Servicio: S Estudiante IS CE-PFC-S-04
05 Recurso: R Estudiante SD CE-PFC-R-05
06 Proyecto: PR Empresario SD CE-PFC-PR-06
Tabla 6.2 Pruebas para Plantillas basadas en Contenido
Estilo
Plantilla
Núm. Tipo
Ítem
Tipo
Usuario
Línea Nombre
Caso Estudio
Basadas en
Contenido
07 Persona: PE Estudiante SD CE-PBC-PE-07
08 O.C.: OC Profesor SD CE- PBC -OC-08
09 Lugar: L Estudiante SD CE- PBC -L-09
10 Servicio: S Empresario IS CE- PBC -S-10
11 Evento: E Estudiante SD CE- PBC -E-11
12 Recurso: R Estudiante SD CE- PBC -R-12
13 Proyecto: PR Empresario SD CE- PBC -PR-13
Para los casos de prueba de las plantillas explicativas mediante la técnica de
recomendación basada en conocimiento, se generaron un total de 400 explicaciones
textuales, ya que estas fueron requeridas para la implementarse en el sistema desarrollado
para la “Medición del impacto de las explicaciones sobre la experiencia del usuario”
planteada en la sección 6.2. Con un total de 40 usuarios diferentes a los cuales se les
presentaron 10 explicaciones textuales a cada uno, con base a las recomendaciones
definidas en el Anexo B.1 “Distribución de ítems recomendados por tipo de usuario”. Esto
permitió la detección y corrección de errores de estructuración de texto o campos variables
en las plantillas.
Tabla 6.3 Distribución de casos de prueba de explicaciones creadas
Estilo
Plantilla
Tipo
Ítem
Tipo
Usuario
Línea
Basadas en
Conocimiento
PER EST,PRO,EMP IS,IA,SD
OC EST,PRO IS,IA,SD
LUG EST IS,IA,SD
SER EST,PRO,EMP IS,IA,SD
EVT EST,PRO IS,IA,SD
REC EST,PRO,EMP IS,IA,SD
PROY EST,PRO,EMP IS,IA,SD
Capítulo VI. Pruebas y resultados
86
Explicaciones basadas en Filtrado Colaborativo
Caso de prueba: CE-PFC-PE-01
Este caso se diseñó para un usuario del tipo Profesor: “L.C.C Antonio Martínez”,
con línea de especialización: Ingeniería de software y el ítem recomendado tipo persona:
“Dr. Moisés González García”.
CE-PFC-PE-01
Plantilla:
[grado_Academico]/ [Título] [nombre_usuario] se (le/te) ha recomendado [este/esta]
[tipo_item], [marcador_linguistico] usuarios similares a [usted/ti], le han asignado una
calificación alta.
Características definidas para el usuario basado en FC:
Las que contienen alguna instancia que es de interés para el usuario:
[grado_academico]: Licenciatura en Ciencias de la computación: Lic.
[nombre]: Antonio Martínez.
[tipo_item]: Persona
[tipo_usuario]: Profesor
[dominio_conocimiento]: Ingeniería de Software, Trabajo cooperativo soportado
en computadoras
[ocupación]: Profesor de Tecnológico.
Explicación:
Lic. Antonio se le ha recomendado este profesor investigador porque usuarios similares a
usted, le han asignado una calificación alta.
Observaciones
La plantilla con el estilo basado en filtrado colaborativo puede aplicarse fácilmente al
tipo de ítem persona, ya que las comunidades de usuarios similares al usuario activo
“L.C.C Hugo Martínez” se componen mediante las características similares en el perfil
del usuario.
Ya que la explicación no expresa alguna de dichas características resulta sencillo rellenar
la plantilla solamente con los datos personales del usuario. Sin embargo podría
incorporar se información al respecto, cuidando el uso adecuado de marcadores y
conectores lingüísticos tal como:
“Lic. Antonio se le ha recomendado este profesor investigador porque usuarios
similares a usted en Ingeniería de Software y Trabajo cooperativo soportado en
computadoras le han asignado una calificación alta”.
Capítulo VI. Pruebas y resultados
87
De esta forma, los casos de prueba nos permiten realizar un análisis del contenido
de la información contemplada en cada plantilla, así como la detección de posibles
incongruencias en el texto. La incorporación del repositorio completo de casos de prueba se
omite en este documento por cuestiones de tamaño.
Caso de Estudio CE-PFC-OC-02
Este caso de estudio se diseñó para un usuario del tipo Estudiante “Laura”, con línea
de especialización en Sistemas Distribuidos y el ítem recomendado para el cual se presenta
la explicación es: “Evaluación Automática de ontologías de dominio” del tipo objetos de
conocimiento.
Explicación: Laura se te ha recomendado esta tesis porque usuarios similares a ti le
han asignado una calificación alta.
Caso de Estudio CE-PFC-L-03
Este caso de estudio se diseñó para un usuario del tipo Profesor “Dr. Mario”, con
línea de especialización en Inteligencia Artificial y el ítem recomendado para el cual se
presenta la explicación es: “Laboratorio de Inteligencia Artificial” del tipo Lugar.
Explicación: Dr. Mario se le ha recomendado este laboratorio porque usuarios
similares a usted le han asignado una calificación alta.
Caso de Estudio CE-PFC-S-04
Este caso de estudio se diseñó para un usuario del tipo Estudiante “Mariana”, con
línea de especialización en Sistemas Distribuidos y el ítem recomendado para el cual se
presenta la explicación es: “Solicitud de videoconferencia” del tipo Servicio.
Explicación: Mariana se te ha recomendado este servicio porque usuarios similares
a usted le han asignado una calificación alta.
Caso de Estudio CE-PFC-R-05
Este caso de estudio se diseñó para un usuario del tipo Estudiante “Ing. Adrián”,
con línea de especialización en Sistemas Distribuidos y el ítem recomendado para el cual se
presenta la explicación es: “tablet samsung galaxy tab 7” del tipo recurso.
Explicación: Ing. Adrián se le ha recomendado este recurso porque usuarios
similares a usted le han asignado una calificación alta.
Caso de Estudio CE-PFC-PR-06
Este caso de estudio se diseñó para un usuario del tipo Empresario “L.A.E
Alejandro”, con línea de especialización en Sistemas Distribuidos y el ítem recomendado
para el cual se presenta la explicación es: “Servicios de recomendación contextual para IES
Capítulo VI. Pruebas y resultados
88
mediante realidad aumentada para dispositivos Smartphone con Android 2.1” del tipo
Proyecto.
Explicación: L.A.E Alejandro se le recomendado este proyecto porque usuarios
similares a usted le han asignado una calificación alta.
Explicaciones basadas en Contenido
Caso de Estudio CE-PBC-PE-07
Este caso de estudio se diseñó para un usuario del tipo Estudiante “M.C Eduardo”,
con línea de especialización en sistemas Distribuidos y el ítem recomendado para el cual se
presenta la explicación es: “Juan Gabriel González Serna” del tipo Persona.
Explicación: M.C Eduardo se le ha recomendado a este profesor investigador,
porque posee conocimientos sobre: Tecnologías WiFi, NFC, QRCodes y CARS; y
pertenece al departamento de sistemas distribuidos; lo cual es de interés para usted.
Caso de Estudio CE- PBC -OC-08
Este caso de estudio se diseñó para un usuario del tipo Profesor “Dr. Raúl”, con
línea de especialización en sistemas Distribuidos y el ítem recomendado para el cual se
presenta la explicación es: “Tecnologías basadas en localización y análisis de técnicas de
posicionamiento” del tipo Objeto de Conocimiento.
Explicación: Dr. Raúl se le ha recomendado este artículo porque corresponde con
tópicos de sistemas distribuidos y contiene los siguientes términos: técnica, localización,
posicionamiento, GPS; los cuales son de su interés.
Caso de Estudio CE- PBC -L-16
Este caso de estudio se diseñó para un usuario del tipo Estudiante “Juan”, con línea
de especialización en sistemas Distribuidos y el ítem recomendado para el cual se presenta
la explicación es: “laboratorio de sistemas distribuidos” del tipo Lugar.
Explicación: Juan se te ha recomendado el laboratorio de sistemas distribuidos,
porque tiene asociados los siguientes términos: área de Ciencias de la Computación y
cuenta con recursos tecnológicos como: portal RFID y tags rfid; los cuales son de su
interés.
Caso de Estudio CE- PBC -S-17
Este caso de estudio se diseñó para un usuario del tipo Empresario “Fernando”, con
línea de especialización en Ingeniería de Software y el ítem recomendado para el cual se
Capítulo VI. Pruebas y resultados
89
presenta la explicación es: “cursos para estudiantes de las maestrías del CENIDET” del tipo
Servicio.
Explicación: Fernando se le ha recomendado el servicio de cursos y talleres, porque
está asociado a los siguientes términos: actualización, capacitación; y está orientado al
estudiante de maestría; lo cual es de tu interés.
Caso de Estudio CE- PBC -E-18
Este caso de estudio se diseñó para un usuario del tipo Estudiante “Blanca”, con
línea de especialización en Sistemas Distribuidos y el ítem recomendado para el cual se
presenta la explicación es: “curso de dispositivos móviles” del tipo Evento.
Explicación: Blanca se te ha recomendado este curso porque está relacionado con
tópicos como “plataformas móviles y desarrollo Android,”; tiene asociadas las palabras
clave: Programación, móvil y Android; por los cuales estas interesado.
Caso de Estudio CE- PBC -R-19
Este caso de estudio se diseñó para un usuario del tipo Estudiante “Ing. Santiago”,
con línea de especialización en Sistemas Distribuidos y el ítem recomendado para el cual se
presenta la explicación es: “Portal RFID” del tipo Recurso.
Explicación: Ing. Santiago se le ha recomendado este equipo porque está asociado
con los siguientes términos: sistemas distribuidos, tecnologías Rfid, tags y radiofrecuencia,
los cuales son de su interés.
Caso de Estudio CE- PBC -PR-20
Este caso de estudio se diseñó para un usuario del tipo Empresario “Lic. Rafael”,
con línea de especialización en Sistemas Distribuidos y el ítem recomendado para el cual se
presenta la explicación es: “Caracterización teórico-práctica de un sistema que emula
algunos movimientos de una mano humana” del tipo Proyecto.
Explicación: Lic. Rafael se le ha recomendado este proyecto, porque contiene las
siguientes palabras clave: robótica, antropomorfo; biomecánica, cinemática y dinámica;
está asociado con Control de Procesos; está orientado al sector industrial; lo cual es de su
interés.
Capítulo VI. Pruebas y resultados
90
6.2 Medición del impacto de las explicaciones sobre el usuario
6.2.1 Descripción
La evaluación de la percepción del usuario sobre un SR ayuda a los desarrolladores
y organizaciones a entender de forma precisa si los usuarios realmente experimentan y
aprecian los beneficios esperados. En este contexto, la evaluación centrada en el usuario
comprende tres metas principales: verificar la calidad del SR, detectar problemas de
funcionamiento y ayudar al usuario en la toma de decisiones. Los temas a analizar dentro
de la experiencia del usuario se relacionan con la identificación de diferentes factores
determinantes que tienen efecto sobre la percepción del usuario sobre los SR (Swearingen ,
y otros, 2002), entre ellos la formación de confianza para los recomendadores. Por lo tanto,
con este experimento buscamos concluir si las explicaciones generadas tienen un efecto
sobre la experiencia de los usuarios; en concreto, si aumentan la confianza del usuario en el
sistema.
Tomando como base el sistema de recomendación contextual (González, 2012)
desarrollado dentro del grupo CARS (Context Aware Recommender Systems) del
CENIDET, el cual está orientado a organizaciones con el propósito de ayudar a los usuarios
a identificar diferentes elementos de interés (publicaciones-tesis, recursos tecnológicos,
personas, eventos, servicios, lugares y proyectos) en su entorno, de una forma
personalizada; se plantea el siguiente experimento para medir el impacto de las
explicaciones sobre el usuario, al cual se le recomienda un conjunto predefinido de ítems
con base en las preferencias establecidas explícitamente en los perfiles de los usuarios.
6.2.1.1 El impacto de las explicaciones sobre el usuario
Un sistema que es capaz de explicar al usuario en su propio lenguaje, la razón por la
cual los elementos son recomendados, trae diferentes beneficios como el incremento de la
confianza de los usuarios en el sistema (Tintarev, 2009), además existen diferentes maneras
de presentar las explicaciones al usuario, por lo cual: “la expresividad de la interfaz de
explicación puede mejorar la comprensión y por lo tanto aumentar la confianza del
usuario”.
6.2.1.2 El rol de los ítems heterogéneos
Se consideran tres enfoques para explicar las recomendaciones del sistema:
explicaciones textuales, las explicaciones gráficas usando mapas mentales y explicaciones
gráficas utilizando mapas conceptuales.
Ya que el sistema en cuestión considera ítems heterogéneos, la interfaz explicación
tiene que ser capaz de destacar las relaciones entre los distintos ítems. Por ejemplo, podría
ser útil para un profesor visitante recibir recomendaciones sobre personas y proyectos, y
también conocer que personas están trabajando con qué proyectos. Este aspecto reduce la
cantidad de estilos de explicación y a su vez, las interfaces explicativas ya que con los
estilos de explicación basados en las técnicas de recomendación tradicionales, no es posible
obtener una explicación clara de los ítems recomendados. Los mapas conceptuales son
Capítulo VI. Pruebas y resultados
91
capaces de resolver este problema presentando las recomendaciones gráficamente y
expresando las relaciones existentes entre los ítems mediante enlaces entre ellos. Con este
tipo de interfaz es posible verificar si la explicación de un conjunto de ítems, basada en las
relaciones existentes entre ellos, facilita la comprensión del usuario en el proceso de
recomendación y por lo tanto aumentan la confianza del usuario en el sistema.
6.2.1.3 Uso de imágenes en las explicaciones
Consideramos que una explicación debe contar con al menos tres elementos los
cuales son: una imagen o ícono representativo al ítem recomendado; el nombre corto del
ítem y el texto explicativo. En el sistema; cuando la lista de recomendaciones se muestra al
usuario, esta incluye un ícono del ítem recomendado junto con el nombre del ítem
recomendado, su explicación y una descripción con los detalles del ítem recomendado.
6.2.1.4 Diversidad de Tipos de usuario
Debido la orientación del sistema hacia Instituciones de Educación Superior (IES)
se considera una división en diferentes tipos de usuarios, Profesor/investigador, estudiantes
y empresarios/otros, por lo tanto las explicaciones se presentan de forma personalizada con
el nombre de usuario, grado académico, género, etc. Y acordes a los perfiles de usuario.
6.2.1.5 Objetivo
Este experimento tiene como objetivo conocer “cuál de los tres enfoques
mencionados aumenta la confianza del usuario en el sistema de acuerdo a los tipos de
usuario”.
6.2.2 Condiciones, modelo de investigación e hipótesis
Este estudio es un experimento de 3x4 con las siguientes condiciones: Tabla 6.4 Condiciones del experimento
Estudiantes Profesores Empresarios
Estudiantes G1 Estudiantes G2 Texto e imagen Escenario 1:
Grupo de
Estudiantes con
explicaciones
textuales
Escenario 2:
Grupo de
Estudiantes con
explicaciones
textuales
Escenario 3:
Grupo de
Profesores con
explicaciones
textuales
Escenario 4:
Grupo de
Empresarios con
explicaciones
textuales
Gráfico: Mapas
mentales Escenario 5:
Grupo de
Estudiantes con
explicaciones
mediante Mapas
Mentales
Escenario 6:
Grupo de
Estudiantes con
explicaciones
mediante Mapas
Mentales
Escenario 7:
Grupo de
Profesores con
explicaciones
mediante Mapas
Mentales
Escenario 8:
Grupo de
Empresarios con
explicaciones
mediante Mapas
Mentales
Gráfico: Mapas
Conceptuales Escenario 9:
Grupo de
Estudiantes con
explicaciones
mediante Mapas
conceptuales
Escenario 10:
Grupo de
Estudiantes con
explicaciones
mediante Mapas
conceptuales
Escenario 11:
Grupo de
Profesores con
explicaciones
mediante Mapas
conceptuales
Escenario 12:
Grupo de
Empresarios con
explicaciones
mediante Mapas
conceptuales
Capítulo VI. Pruebas y resultados
92
• Presentación de las explicaciones: se refiere a la forma en que se presentan las
explicaciones de los ítems recomendados al usuario.
o Texto: Se le muestra al usuario una explicación textual del por qué ha
recibido la recomendación, esto es para cada ítem.
o Mapas Mentales: El usuario recibe una explicación gráfica mediante un
mapa mental que contiene los ítems recomendados, junto con información
básica indicando las razones por las cuales fueron recomendados.
o Mapas conceptuales: El usuario recibe una explicación gráfica mediante un
mapa conceptual que representa los ítems recomendados y las relaciones
existentes entre ellos.
• Tipo de Usuario: debido a la heterogeneidad de los ítems a cada tipo de usuario se
le asignó un conjunto específico de ítems (ver Anexo B.1: Distribución de ítems
recomendados por tipo de usuario). Además se consideró un conjunto adicional de
estudiantes para medir el efecto de la variabilidad de los ítems.
o Estudiantes: Grupo 1 se le presenta un conjunto determinado de ítems de
cierto tipo y al Grupo 2’ se le presenta otro conjunto de ítems con una
combinación de tipos de ítems diferentes a los del grupo 1.
o Profesores/investigadores: A este grupo se le presenta un conjunto
determinado de ítems con una combinación de tipos de ítems deferentes a
los demás grupos.
o Empresarios u otros: A este grupo se le presenta un conjunto determinado
de ítems con una combinación de tipos de ítems deferentes a los demás
grupos.
Después de la interacción del usuario con las recomendaciones y explicaciones
mediante el prototipo, se realizó una serie de preguntas a los usuarios acerca de su
experiencia con las explicaciones. Además de en (Alejandres, 2012) se plantea el siguiente
modelo con base en las respuestas esperadas; en dicho trabajo actualmente se desarrolla
comprobación de dicho modelo mediante una serie de evaluaciones más complejas.Fig. 6.1.
Fig. 6.1 Modelo de Interacción e hipótesis
Capítulo VI. Pruebas y resultados
93
6.2.2.1 Ejemplos de presentación de las explicaciones
Tabla 6.5 Tipos de presentación de las explicaciones
Texto e imagen
Mapas Mentales
Capítulo VI. Pruebas y resultados
94
Mapas conceptuales
6.2.3 Elección, reclutamiento y procedimiento experimental
Las interfaces explicativas fueron presentadas a tres tipos específicos de usuario: los
alumnos (estudiantes de licenciatura y grados centesimales), profesores/investigadores y
empresarios/otros. El principal aspecto que cumplieron fue ser visitantes o personas
interesadas en el CENIDET y los servicios que ofrece. También se restringió a personas
con conocimientos del área de computación en particular a las líneas de investigación de
Sistemas distribuidos, ingeniería de software e Inteligencia artificial. Si el usuario no
cumplía con estos requisitos, no era elegible para participar en el experimento.
6.2.3.1 Reclutamiento
Se planteó un reclutamiento inicial de 180 participantes en total, 15 por cada
escenario, todos mayores de 18 años, la nacionalidad podría variar siempre y cuando se
cumplieran los requisitos mencionados en la elección del participante.
El método de reunión de los participantes fue el contacto con personas de escuelas,
universidades y empresas que muestran interés en el CENIDET como aspirantes a las
maestrías, profesores investigadores y profesionistas de diversas empresas e instituciones,
por lo que se mandaron invitaciones mediante correo electrónico para participar en el
estudio (ver Anexo B.3: Formato de invitación) El experimento se realizó mediante un
prototipo del sistema basado en web y como primera instancia para el registro, se presentó
Capítulo VI. Pruebas y resultados
95
al participante un formato de consentimiento de uso de datos, (ver Anexo B.4: Formato de
consentimiento de uso de datos).
El sistema se mantuvo en línea durante Julio-Septiembre del presente año, pero
debido a diversos inconvenientes como restricciones de accesos, baja temporal del servidor,
periodos vacacionales entre otros, hubo una baja respuesta de participación por lo que se
mantuvo el acceso al sistema hasta el mes de noviembre, logrando un registro de
aproximadamente 150 participantes de los cuales no todos los participantes registrados
completaron el experimento, por lo que se tomaron 10 participantes por cada escenario,
para contar con un total de 120 cuestionarios aplicados.
6.2.3.2 Procedimiento experimental
El estudio se llevó a cabo en dos etapas mediante un sistema web desarrollado para
ese propósito:
o Primera etapa: Registro de datos personales, referentes con áreas de
conocimiento acotadas a sistemas distribuidos, inteligencia artificial e
ingeniería de software ver Fig. 6.2.
o Segunda etapa: Inicio de sesión del participante en el sitio web; revisión de
la lista de recomendaciones realizadas (ver Fig. 6.3) y de las explicaciones
correspondientes; aplicación de un cuestionario de 20 preguntas para medir
la comprensión de las explicaciones, el esfuerzo cognitivo y la confianza del
participante sobre el sistema (ver Fig. 6.4).
Fig. 6.2Primera Etapa Sistema de Registro
Capítulo VI. Pruebas y resultados
96
Fig. 6.3 Ejemplo de interacción del usuario con las explicaciones
Fig. 6.4 Ejemplo de evaluación de las explicaciones en el sistema
Capítulo VI. Pruebas y resultados
97
• Verificación de elegibilidad y reclutamiento: se verificó la elegibilidad del
participante mediante el registro al sitio web, además es importante señalar que el
estudio se mantuvo anónimo para evitar el sesgo en los resultados.
• Presentación de las Recomendaciones y Explicaciones: En el sitio web se mostró
a cada participante una lista de 10 recomendaciones junto con el tipo de explicación
correspondiente, además de la descripción de cada ítem recomendado. Las
explicaciones textuales se presentaron por cada ítem con un total de 10
explicaciones por participante. Las explicaciones gráficas con mapas mentales y
mapas conceptuales se presentaron al participante mediante una imagen que incluye
todos los ítems recomendados ver Tabla 6.5 de la sección 6.2.2.1.
Fig. 6.5 Número de explicaciones por escenario
• Cuestionarios: Después de presentar al participante las recomendaciones y las
explicaciones; se le aplicó un cuestionario de 20 preguntas para medir la
comprensión de las explicaciones, el esfuerzo cognitivo y la confianza del
participante sobre el sistema (ver Anexo B.2: Preguntas para evaluación para las interfaces explicativas). El cuestionario se encuentra dividido en 3 categorías:
comprensión, esfuerzo y confianza; el cual es medido con una escala Likert del 1 al
5. El 1 es “Totalmente en desacuerdo”, 2 “En desacuerdo”, 3 “Neutral”, 4 “De
acuerdo” y 5 “Totalmente de acuerdo”; para evitar el sesgo de resultados las
preguntas se presentaron al participante en una sola sección sin mencionar su
categoría.
7 Preguntas relacionadas con la comprensión.
7 Preguntas relacionadas con el esfuerzo de comprensión percibido.
6 Preguntas relacionadas con la confianza.
Mapa Conceptual
Mapa Mental
Texto
0
5
10
1 1 1 1
1 1 1 1
10 10 10 10
Explicaciones por escenario
Capítulo VI. Pruebas y resultados
98
Final: Al finalizar el cuestionario se realizó un agradecimiento al usuario por su
participación y se inactivó el cuestionario para que el usuario no pudiera
modificarlo.
6.2.4 Resultados
Para la medición de los cuestionarios se utilizó la escala Likert y debido a su
principio de simplicidad y practicidad: “crear una mayor cantidad de categorías de
respuestas con la menor cantidad de reactivos posibles”.
La suposición en el escalamiento de Likert es el principio de adición, cada reactivo
se suma al siguiente para constituir la puntuación global en la escala, con lo cual, se obtiene
un relación lineal entre el puntaje total y las puntuaciones de cada uno de los reactivos. Por
lo cual la incógnita principal es el resultado de la suma de los puntajes de cada ítem.
𝑋 = 𝐼1 + 𝐼2 + 𝐼3 + ⋯ + 𝐼𝑛
De esta forma, al tener 20 reactivos (n=20) con cinco niveles de respuesta (k=5), el
valor mínimo posible en la escala es de 20 (en caso que una persona respondiera a los 20
reactivos con “1”) y la respuesta máxima de 100 (en caso que una persona respondiera a los
20 reactivos con la respuesta “5”).
En este experimento se aplicaron cuestionarios de 20 preguntas con 5 niveles de
respuesta, las preguntas se plantearon de forma tanto positiva como negativa, para detectar
posibles participantes no confiables (con respuestas contradictorias), Ejemplos
• POSITIVA +: Es fácil comprender las explicaciones rápidamente.
• NEGATIVA -: Las explicaciones no me ayudan a comprender cómo se formulan las
recomendaciones.
Para realizar la sumatoria de los puntajes de las preguntas negativas, se realizó un
ajuste invirtiendo los valores como se muestra en la Tabla 6.6.
Tabla 6.6 Clave de corrección de preguntas NEGATIVAS
Por lo que se tienen los puntajes máximos y mínimos para cada sección del
cuestionario como se muestra en la Tabla 6.7.
Tabla 6.7 Puntajes máximos y mínimos
Comprensión Esfuerzo
Cognitivo Confianza
7 Mínimo- 35 Máximo 7 Mínimo – 35 Máximo 6 Mínimo – 30 Máximo
PREGUNTA TOTALMENTE
EN
DESACUERDO
EN
DESACUERDO NEUTRAL
DE
ACUERDO
TOTALMENTE
DE ACUERDO
Negativa 1 2 3 4 5
Corrección 5 4 3 2 1
Capítulo VI. Pruebas y resultados
99
De acuerdo a los escenarios presentados en la sección 6.2.7 Condiciones, modelo de
investigación e hipótesis, se tomaron 10 participantes por escenario, para un total de 120
cuestionarios evaluados. Tabla 6.8 Distribución del experimento
Estudiantes Profesores Empresarios
Estudiantes G1 Estudiantes G2 Texto e imagen
Escenario 1: 10 Escenario 2: 10 Escenario 3: 10 Escenario 4: 10
Gráfico: Mapas
mentales Escenario 5: 10 Escenario 6: 10 Escenario 7: 10 Escenario 8: 10
Gráfico: Mapas
Conceptuales Escenario 9: 10 Escenario 10: 10 Escenario 11: 10 Escenario 12: 10
Para todos los escenarios que conforman el experimento, se aplicó el mismo
procedimiento de división de las puntuaciones obtenidas de los cuestionarios en las tres
secciones mencionadas anteriormente: Comprensión, Esfuerzo percibido y Confianza; en
cada sección se aplicó la clave de corrección presentada en la Tabla 6.6 a cada pregunta de
tipo negativo (-); tal como se muestra en la Tabla 6.9 donde se presentan los resultados de
las 20 preguntas aplicadas a los 10 participantes (P1, P2, …, P10) del Escenario 1, es decir,
el grupo 1 de estudiantes que evaluaron la interfaz textual.
Tabla 6.9 Escenario 1: Interfaz textual - Estudiantes grupo 1
Tipo Preg. P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Comprensión: 7 mínimo - 35 máximo
+ 1 5 5 5 4 5 5 5 4 5 5
+ 2 5 5 4 3 5 5 5 4 5 5
+ 3 4 5 3 4 4 5 5 3 5 5
+ 4 5 5 5 4 4 4 4 4 5 5
- 5 5 4 5 4 5 5 4 2 5 2
+ 6 5 5 4 4 5 4 5 4 5 5
+ 7 5 5 4 4 4 5 4 4 5 5
Total 34 34 30 27 32 33 32 25 35 32 31.4
% 97.14 97.14 85.71 77.14 91.43 94.29 91.43 71.43 100.00 91.43 89.71
Esfuerzo cognitivo: 7 mínimo - 35 máximo
+ 8 5 5 5 4 5 5 5 4 5 5
- 9 5 1 2 5 4 4 5 5 5 1
+ 10 4 5 3 4 4 5 5 4 4 5
- 11 4 1 4 3 5 5 5 5 5 5
- 12 5 4 5 4 5 5 2 5 5 5
+ 13 5 5 3 5 4 2 5 1 1 5
- 14 5 4 5 4 5 5 5 5 5 5
Total 33 25 27 29 32 31 32 29 30 31 29.9
% 94.29 71.43 77.14 82.86 91.43 88.57 91.43 82.86 85.71 88.57 85.43
Confianza: 6 mínimo - 30 máximo
+ 15 4 5 4 5 4 5 5 5 5 5
+ 16 5 5 4 4 4 5 5 5 5 5
+ 17 5 5 5 4 4 4 5 5 4 5
+ 18 5 5 4 4 4 4 5 5 4 5
- 19 5 5 5 4 5 5 5 1 5 5
+ 20 5 4 4 4 5 5 5 5 4 5
Total 29 29 26 25 26 28 30 26 27 30 27.6
% 82.86 82.86 74.29 71.43 74.29 80.00 85.71 74.29 77.14 85.71 92.00
Capítulo VI. Pruebas y resultados
100
La Tabla 6.9 se generaliza para cada escenario, el listado de puntuaciones de cada
participante se despliegan en el anexo B.5. A continuación se presentan los resultados
obtenidos por tipo de interfaz de presentación de las explicaciones y por tipos de usuario.
6.2.4.1 Interfaz Textual
Escenario 1: La Interfaz textual evaluada por un grupo de estudiantes G1 obtuvo un
89.71% de comprensión, 85.43% de esfuerzo cognitivo y un 92% de confianza.
Tabla 6.10 Escenario 1: Puntuación obtenida - Estudiantes Grupo1
TXT - EG1 Comprensión Esfuerzo Confianza
Puntuación Máxima 35 35 30
Puntuación Obtenida 31.4 29.9 27.6
Porcentaje 89.71 85.43 92.00
Escenario 2: La Interfaz textual evaluada por un grupo de estudiantes G2 obtuvo un
91.71% de comprensión, 82% de esfuerzo cognitivo y un 86.67% de confianza.
Tabla 6.11 Escenario 2: Puntuación obtenida - Estudiantes Grupo2
TXT – EG2 Comprensión Esfuerzo Confianza
Puntuación Máxima 35 35 30
Puntuación Obtenida 32.1 28.7 26
Porcentaje 91.71 82.00 86.67
89.71 85.43 92.00
0
20
40
60
80
100
Comprension Esfuerzo Confianza
Po
rcen
taje
Características medidas
Comprension Esfuerzo Confianza
91.7182.00 86.67
0
20
40
60
80
100
Comprension Esfuerzo Confianza
Po
rcen
taje
Características medidas
Comprension Esfuerzo Confianza
Fig. 6.6 Texto: Porcentaje obtenido estudiantes G1
Fig. 6.7 Texto: Porcentaje obtenido estudiantes G2
Capítulo VI. Pruebas y resultados
101
Escenario 3: La Interfaz textual evaluada por un grupo de profesores obtuvo un
86.86% de comprensión, 76.29% de esfuerzo cognitivo y un 87.33% de confianza.
Tabla 6.12 Escenario 3: Puntuación obtenida - Profesores
TXT - PRO Comprensión Esfuerzo Confianza
Puntuación Máxima 35 35 30
Puntuación Obtenida 30.4 26.7 26.2
Porcentaje 86.86 76.29 87.33
Escenario 4: La Interfaz textual evaluada por un grupo de empresarios obtuvo un
70.57% de comprensión, 70.29% de esfuerzo cognitivo y un 75.00% de confianza.
Tabla 6. 13 Escenario 4: Puntuación obtenida - Empresarios
TXT - EMP Comprensión Esfuerzo Confianza
Puntuación Máxima 35 35 30
Puntuación Obtenida 24.7 24.6 22.5
Porcentaje 70.57 70.29 75.00
70.57 70.29 75.00
0
20
40
60
80
100
Comprension Esfuerzo Confianza
Po
rcen
taje
Características medidas
Comprension Esfuerzo Confianza
86.8676.29
87.33
0
20
40
60
80
100
Comprension Esfuerzo Confianza
Po
rcen
taje
Características medidas
Comprension Esfuerzo Confianza
Fig. 6.9 Texto: Porcentaje obtenido Empresarios
Fig. 6.8Texto: Porcentaje obtenido Profesores
Capítulo VI. Pruebas y resultados
102
Con base en los resultados obtenidos de las evaluaciones sobre la interfaz de
presentación de explicaciones textuales aplicada a diferentes grupos de usuarios, se
presenta la siguiente información y datos.
Tabla 6.14 Resultados de las explicaciones textuales
Texto Comprensión Esfuerzo Confianza
Porcentaje TXT - EG1 89.7 85.4 92.0
Porcentaje TXT - EG2 91.7 82.0 86.7
Porcentaje TXT - PRO 86.9 76.3 87.3
Porcentaje TXT - EMP 70.6 70.3 75.0
Con la finalidad de realizar un mejor análisis de los resultados, realizamos una
comparativa como se muestra en la Fig. 6.11; donde podemos observar que las
explicaciones textuales tienen un efecto más favorable sobre el tipo de usuario “Estudiante
G1” al obtener porcentajes altos en comprensión y confianza, pero de igual manera mayor
esfuerzo cognitivo con respecto a los demás grupos. Además el grupo de profesores obtuvo
la segunda mejor puntuación de confianza.
89.7 91.786.9
70.6
85.4 82.076.3
70.3
92.086.7 87.3
75.0
0.0
20.0
40.0
60.0
80.0
100.0
TXT - EG1 TXT - EG2 TXT - PRO TXT - EMP
Comprension Esfuerzo Confianza
89.7
85.4
92.091.7
82.0
86.786.9
76.3
87.3
70.6 70.3
75.0
65
70
75
80
85
90
95
Po
rce
nta
je
Comprension Esfuerzo Confianza
TXT - EG1 TXT - EG2 TXT - PRO TXT - EMP
Fig. 6.10 Porcentajes obtenidos de las explicaciones textuales por tipo de usuario
Fig. 6.11 Texto: Comparación de resultados entre tipos de usuario
Capítulo VI. Pruebas y resultados
103
6.2.4.2 Interfaz Gráfica: Mapa Mental
Escenario 5: La Interfaz gráfica mediante mapas mentales evaluada por un grupo de
estudiantes obtuvo un 80.29% de comprensión, 73.71% de esfuerzo cognitivo y un 80.33%
de confianza.
Tabla 6.15 Escenario 5: Puntuación obtenida - Estudiantes Grupo1
MM - EG1 Comprensión Esfuerzo Confianza
Puntuación Máxima 35 35 30
Puntuación Obtenida 28.1 25.8 24.1
Porcentaje 80.29 73.71 80.33
Escenario 6: La Interfaz gráfica mediante mapas mentales evaluada por un grupo de
estudiantes obtuvo un 85.43% de comprensión, 76.29% de esfuerzo cognitivo y un 87.33%
de confianza.
Tabla 6.16 Escenario 6: Puntuación obtenida - Estudiantes Grupo2
MM – EG2 Comprensión Esfuerzo Confianza
Puntuación Máxima 35 35 30
Puntuación Obtenida 29.9 23.7 25.1
Porcentaje 85.43 67.71 83.67
85.43
67.7183.67
0
20
40
60
80
100
Comprension Esfuerzo Confianza
Po
rcen
taje
Características medidas
Comprension Esfuerzo Confianza
80.29 73.71 80.33
0
20
40
60
80
100
Comprension Esfuerzo Confianza
Po
rcen
taje
Características medidas
Comprension Esfuerzo Confianza
Fig. 6.12 Mapa Mental: Porcentaje obtenido estudiantes G1
Fig. 6.13Mapa Mental: Porcentaje obtenido estudiantes G2
Capítulo VI. Pruebas y resultados
104
Escenario 7: La Interfaz gráfica mediante mapas mentales evaluada por un grupo de
profesores obtuvo un 86% de comprensión, 74.86% de esfuerzo cognitivo y un 78% de
confianza.
Tabla 6.17 Escenario 7: Puntuación obtenida - Profesores
MM - PRO Comprensión Esfuerzo Confianza
Puntuación Máxima 35 35 30
Puntuación Obtenida 30.1 26.2 23.4
Porcentaje 86.00 74.86 78.00
Escenario 8: La Interfaz gráfica mediante mapas mentales evaluada por un grupo de
empresarios obtuvo un 76.29% de comprensión, 77.43% de esfuerzo cognitivo y un
79.67% de confianza.
Tabla 6.18 Escenario 8: Puntuación obtenida - Empresarios
MM - EMP Comprensión Esfuerzo Confianza
Puntuación Máxima 35 35 30
Puntuación Obtenida 26.7 27.1 23.9
Porcentaje 76.29 77.43 79.67
86.0074.86 78.00
0
20
40
60
80
100
Comprension Esfuerzo Confianza
Po
rcen
taje
Características medidas
Comprension Esfuerzo Confianza
76.29 77.43 79.67
0
20
40
60
80
100
Comprension Esfuerzo Confianza
Po
rcen
taje
Características medidas
Comprension Esfuerzo Confianza
Fig. 6.14 Mapa Mental: Porcentaje obtenido profesores
Fig. 6.15 Mapa Mental: Porcentaje obtenido empresarios
Capítulo VI. Pruebas y resultados
105
La siguiente información se presenta con base en los resultados obtenidos de las
evaluaciones sobre la interfaz de presentación de explicaciones mediante mapas mentales,
aplicada a diferentes grupos de usuarios.
Tabla 6.19 Resultados de las explicaciones mediante mapas conceptuales
Mapas Mentales Comprensión Esfuerzo Confianza
Porcentaje MM - EG1 80.3 73.7 80.3
Porcentaje MM - EG2 85.4 67.7 83.7
Porcentaje MM - PRO 86.0 74.9 78.0
Porcentaje MM - EMP 76.3 77.4 79.7
La comparativa de resultados se muestra en la Fig. 6.17; donde podemos observar
que las explicaciones mediante mapas mentales tienen un efecto más favorable sobre el tipo
de usuario “Estudiante G2” al obtener porcentajes altos en comprensión y confianza,
además del menor esfuerzo cognitivo con respecto a los demás grupos. Por otra parte los
profesores obtuvieron altos niveles de comprensión 86%.
80.385.4 86.0
76.373.767.7
74.9 77.480.3 83.778.0 79.7
0.0
20.0
40.0
60.0
80.0
100.0
MM - EG1 MM - EG2 MM - PRO MM - EMP
Comprension Esfuerzo Confianza
80.3
73.7
80.3
85.4
67.7
83.7
86.0
74.9
78.076.3
77.479.7
65
70
75
80
85
90
Po
rce
nta
je
Comprension Esfuerzo Confianza
MM - EG1 MM - EG2 MM - PRO MM - EMP
Fig. 6.16 Porcentajes obtenidos de las explicaciones gráficas mediante los mapas
mentales, por tipo de usuario
Fig. 6.17 Mapas Mentales: Comparación de resultados entre tipos de usuario
Capítulo VI. Pruebas y resultados
106
6.2.4.3 Interfaz Gráfica: Mapa Conceptual
Escenario 9: La Interfaz gráfica mediante mapas conceptuales evaluada por un
grupo de estudiantes obtuvo un 80.57% de comprensión, 70% de esfuerzo cognitivo y un
77% de confianza.
Tabla 6.20 Escenario 9: Puntuación obtenida - Estudiantes Grupo1
MC - EG1 Comprensión Esfuerzo Confianza
Puntuación Máxima 35 35 30
Puntuación Obtenida 28.2 24.5 23.1
Porcentaje 80.57 70.00 77.00
Escenario 10: La Interfaz gráfica mediante mapas conceptuales evaluada por un
grupo de estudiantes obtuvo un 79.14% de comprensión, 78.86% de esfuerzo cognitivo y
un 84.33% de confianza.
Tabla 6.21Escenario 10: Puntuación obtenida - Estudiantes Grupo2
MC – EG2 Comprensión Esfuerzo Confianza
Puntuación Máxima 35 35 30
Puntuación Obtenida 27.7 27.6 25.3
Porcentaje 79.14 78.86 84.33
80.5770.00
77.00
0
20
40
60
80
100
Comprension Esfuerzo Confianza
Po
rcen
taje
Características medidas
Comprension Esfuerzo Confianza
79.14 78.86 84.33
0
20
40
60
80
100
Comprension Esfuerzo Confianza
Po
rcen
taje
Características medidas
Comprension Esfuerzo Confianza
Fig. 6.18 Mapa Conceptual: Porcentaje obtenido
estudiantes G1
Fig. 6.19 Mapa Conceptual: Porcentaje obtenido
estudiantes G2
Capítulo VI. Pruebas y resultados
107
Escenario 11: La Interfaz gráfica mediante mapas conceptuales evaluada por un
grupo de profesores obtuvo un 66.86% de comprensión, 65.43% de esfuerzo cognitivo y un
64.67% de confianza.
Tabla 6.22 Escenario 11: Puntuación obtenida - Profesores
MC - PRO Comprensión Esfuerzo Confianza
Puntuación Máxima 35 35 30
Puntuación Obtenida 23.4 22.9 19.4
Porcentaje 66.86 65.43 64.67
Escenario 12: La Interfaz gráfica mediante mapas conceptuales evaluada por un
grupo de empresarios obtuvo un 78% de comprensión, 72% de esfuerzo cognitivo y un
76% de confianza.
Tabla 6.23 Escenario 12: Puntuación obtenida - Empresarios
MC - EMP Comprensión Esfuerzo Confianza
Puntuación Máxima 35 35 30
Puntuación Obtenida 27.3 25.2 22.8
Porcentaje 78.00 72.00 76.00
66.86 65.43 64.67
0
20
40
60
80
100
Comprension Esfuerzo Confianza
Po
rcen
taje
Características medidas
Comprension Esfuerzo Confianza
78.00 72.00 76.00
0
20
40
60
80
100
Comprension Esfuerzo Confianza
Po
rcen
taje
Características medidas
Comprension Esfuerzo Confianza
Fig. 6.20 Mapa Conceptual: Porcentaje obtenido profesores
Fig. 6.21 Conceptual: Porcentaje obtenido empresarios
Capítulo VI. Pruebas y resultados
108
Los resultados obtenidos de las evaluaciones sobre la interfaz de presentación de
explicaciones mediante mapas conceptuales, aplicada a diferentes grupos de usuarios, se
presenta en la siguiente tabla.
Tabla 6.24 Resultados de las explicaciones mediante mapas conceptuales
Mapas Conceptuales Comprensión Esfuerzo Confianza
Porcentaje MC - EG1 80.6 70.0 77.0
Porcentaje MC - EG2 79.1 78.9 84.3
Porcentaje MC - PRO 66.9 65.4 64.7
Porcentaje MC - EMP 78.0 72.0 76.0
La comparativa de resultados se muestra en la Fig. 6.23; donde podemos observar que las
explicaciones mediante mapas conceptuales tienen un efecto más favorable sobre el tipo de
usuario “Estudiante G2” al obtener porcentajes altos en comprensión y confianza, pero de
igual forma un mayor esfuerzo cognitivo con respecto a los demás grupos. Además el
grupo 1 de estudiantes y el grupo de empresarios obtuvieron resultados muy similares.
80.6 79.1
66.9
78.070.0
78.9
65.472.0
77.084.3
64.7
76.0
0.0
20.0
40.0
60.0
80.0
100.0
MC - EG1 MC - EG2 MC - PRO MC - EMP
Comprension Esfuerzo Confianza
80.6
70.0
77.079.1
78.9
84.3
66.9 65.4 64.7
78.072.0 76.0
50
60
70
80
90
Po
rce
nta
je
Comprension Esfuerzo Confianza
Conceptual: Comparacion de resultados entre tipos de usuario
MC - EG1 MC - EG2 MC - PRO MC - EMP
Fig. 6.22 Porcentajes obtenidos de las explicaciones gráficas mediante los mapas
conceptuales, por tipo de usuario
Fig. 6.23 Mapas Conceptuales: Comparación de resultados entre tipos de usuario
Capítulo VI. Pruebas y resultados
109
6.2.4.4 Comparación de resultados entre interfaces
Hasta este punto los resultados presentados se resumen en la Tabla 6.25 donde se
muestra un promedio de los porcentajes obtenidos por tipo de interfaz explicativa para cada
característica cuantificada; donde podemos apreciar que la interfaz textual obtuvo un
promedio más alto por característica; “Comprensión 84.71%” y “Confianza 85.25%”, lo
que indica que la interfaz favorece la comprensión y aumenta la confianza del usuario en el
sistema, sin embargo el esfuerzo cognitivo también resulta más elevado en comparación
con las demás interfaces.
Tabla 6.25Resultados por tipo de interfaz explicativa
Comprensión Esfuerzo Confianza
Porcentaje Texto 84.71 78.50 85.25
Porcentaje Mapa Mental
82.00 73.43 80.42
Porcentaje Mapa Conceptual
76.1 71.6 75.5
6.2.4.5 Comparación entre grupos de estudiantes
91.7
82.086.7
86.9
76.3
87.3
50
60
70
80
90
100
Comprension Esfuerzo ConfianzaTXT - Estudiantes G1 TXT - Estudiantes G2
84.71
78.50
85.25
82.00
73.43
80.42
76.1
71.6
75.5
70
75
80
85
90
Po
rce
nta
je
Comprension Esfuerzo Confianza
Texto Mapa Mental Mapa Conceptual
Fig. 6.24 Resultados por tipo de interfaz explicativa
Fig. 6.25 Texto: Comparación entre los grupos de estudiantes
Capítulo VI. Pruebas y resultados
110
Tabla 6.26 Texto: Comparación entre los 2 grupos de estudiantes Comprensión Esfuerzo Confianza
TXT - Estudiantes G1 91.7 82.0 86.7
TXT - Estudiantes G2 86.9 76.3 87.3
Tabla 6.27 Mapa Mental: Comparación entre los 2 grupos de estudiantes
Comprensión Esfuerzo Confianza
MM - Estudiantes G1 80.29 73.71 80.33
MM - Estudiantes G2 85.43 67.71 83.67
Tabla 6.28 Mapa Conceptual: Comparación entre los 2 grupos de estudiantes
Comprensión Esfuerzo Confianza
MC - Estudiantes G1 80.57 70.00 77.00
MC - Estudiantes G2 79.14 78.86 84.33
Como se puede apreciar la única interfaz que presentó una diferencia significativa
tanto en el esfuerzo cognitivo 8.86 puntos porcentuales y la confianza 7.66 puntos
porcentuales entre los grupos de estudiantes G1 y G2 fueron los mapas conceptuales. En las
demás interfaces los grupos de estudiantes no mostraron una tendencia significativa,
solamente una ligera variación en cuanto a la confianza lograda por el grupo 2, la cual
siempre resultó mayor.
80.29
73.71
80.3385.43
67.71
83.67
50
60
70
80
90
100
Comprension Esfuerzo ComfianzaMM - EG1 MM - EG2
80.57
70.00
77.0079.14 78.8684.33
50
60
70
80
90
100
Comprension Esfuerzo ComfianzaMC - Estudiantes G1 MC - Estudiantes G2
Fig. 6.27 Conceptual: Comparación entre los grupos de estudiantes
Fig. 6.26Mental: Comparación entre los grupos de estudiantes
Capítulo VI. Pruebas y resultados
111
6.2.5 Concentrado de resultados
Con base en los resultados obtenidos se realiza en siguiente concentrado de datos.
Tabla 6.29 Concentrado de resultados de las explicaciones textuales
Comprensión Esfuerzo Confianza
Tipo de usuario Puntuación Máxima 35 35 30
Estudiante
G1
Puntuación obtenida 31.4 29.9 27.6
Porcentaje 89.71% 85.43% 92.00%
Estudiante
G2
Puntuación obtenida 32.1 28.7 26
Porcentaje 91.71% 82.00% 86.67%
Profesor/
Investigador
Puntuación obtenida 30.4 26.7 26.2
Porcentaje 86.86% 76.29% 87.33%
Empresario/
Otros
Puntuación obtenida 24.7 24.6 22.5
Porcentaje 70.57% 70.29% 75.00%
Tabla 6.30 Concentrado de resultados de las explicaciones gráficas de mapas mentales
Comprensión Esfuerzo Confianza
Tipo de usuario Puntuación Máxima 35 35 30
Estudiante
G1
Puntuación obtenida 28.1 25.8 24.1
Porcentaje 80.29% 73.71 80.33%
Estudiante
G2
Puntuación obtenida 29.9 23.7 25.1
Porcentaje 85.43% 67.71 83.67%
Profesor/
Investigador
Puntuación obtenida 30.1 26.2 23.4
Porcentaje 86.00% 74.86 78.00%
Empresario/
Otros
Puntuación obtenida 26.7 27.1 23.9
Porcentaje 76.29% 77.43 79.67%
Tabla 6.31 Concentrado de resultados de las explicaciones gráficas mediante mapas conceptuales
Comprensión Esfuerzo Confianza
Tipo de usuario Puntuación Máxima 35 35 30
Estudiante
G1
Puntuación obtenida 28.2 24.5 23.1
Porcentaje 80.57% 70.00% 77.00%
Estudiante
G2
Puntuación obtenida 27.7 27.6 25.3
Porcentaje 79.14% 78.86% 84.33%
Profesor/
Investigador
Puntuación obtenida 23.4 22.9 19.4
Porcentaje 66.86% 65.43% 64.67%
Empresario/
Otros
Puntuación obtenida 27.3 25.2 22.8
Porcentaje 78.00% 72.00% 76.00%
Capítulo VI. Pruebas y resultados
112
Tabla 6.32 Resultados generales por tipo de interfaz explicativa
Comprensión Esfuerzo Confianza
Porcentaje Texto 84.71 78.50 85.25
Porcentaje Mapa Mental
82.00 73.43 80.42
Porcentaje Mapa Conceptual
76.1 71.6 75.5
Tabla 6.33 Comparación entre grupos de estudiantes por interfaz
Interfaz Estudiantes Comprensión Esfuerzo Confianza
Texto Grupo 1 91.7% 82.0% 86.7%
Grupo 2 86.9% 76.3% 87.3%
Mapa Mental Grupo 1 80.29% 73.71% 80.33%
Grupo 2 85.43% 67.71% 83.67%
Mapa Conceptual Grupo 1 80.57% 70.00% 77.00%
Grupo 2 79.14% 78.86% 84.33%
En el modelo de la Fig. 6.1 de la sección 6.2.2 se planteó que el tipo de interfaz
explicativa puede ayudar a disminuir el esfuerzo cognitivo del usuario, así como aumentar
su grado de comprensión, incluso el tipo de usuario también podría influir tanto en la
comprensión como en el esfuerzo cognitivo, debido a las características personales de cada
usuario. Por ejemplo no obtendríamos los mismos resultados al recomendar y explicar el
porqué de la recomendación de “Una tesis sobre Web Semántica” a un experto en el área
que a un estudiante que solamente está interesado en el tema.
Además se planteó que mediante el incremento de la comprensión del usuario se
reduciría el esfuerzo cognitivo y aumentaría la confianza del usuario en el sistema, es decir,
si las explicaciones ayudan a comprender/entender el porqué de las recomendaciones; se
reduce el esfuerzo que le toma al usuario realizar esa comprensión y por lo tanto, aumenta
el grado de confianza del usuario en la recomendación y en el sistema. Dicha hipótesis se
presenta en el trabajo de (Alejandres, 2012) donde se desarrollan una serie de evaluaciones
más complejas y no se comprueba en esta tesis ya que no es nuestro objetivo, solamente se
presentan los resultados obtenidos.
Por otra parte, se definieron dos grupos de estudiantes por cada tipo de interfaz
explicativa, con la finalidad de medir el efecto de la variabilidad de los ítems
recomendados, es decir, medir si los resultados obtenidos varían entre dos grupos de
usuarios del mismo tipo, a causa del tipo de ítem recomendado; en este caso de estudiantes
ya que es el tipo de usuario más fácil de obtener.
Por estas razones deseamos conocer cuál de las tres interfaces explicativas
incrementa la confianza del usuario en el sistema y además cuál interfaz favorece a qué tipo
de usuario.
Analizando la información de las tablas presentadas realizamos las siguientes
observaciones:
Capítulo VI. Pruebas y resultados
113
• Para los 2 grupos de estudiantes que evaluaron cada interfaz explicativa: en la
interfaz textual el Grupo 1 obtuvo mayor resultado de comprensión y solo una
diferencia porcentual menor de un punto con respecto al grupo 2; en la interfaz de
mapa mental los resultados fueron altamente favorables para el grupo 2, logrando
una comprensión y confianza satisfactorias con un muy bajo nivel de esfuerzo
cognitivo; en el caso de los mapas conceptuales el grupo 2 no obtuvo buenos
resultados en comprensión y esfuerzo sin embargo la confianza fue mayor que en el
grupo 1; por lo tanto los resultados nos muestran que la confianza es mayor en el
grupo 2 en todas las interfaces explicativas, esto podría verse afectado por el tipo de
ítem, sin embargo no existe una tendencia visible sobre la comprensión y el
esfuerzo por lo que se requiere un análisis más profundo como rango de edades,
sexo, nivel académico del estudiante entre otros para determinar llegar a una
conclusión precisa.
• Por otra parte ya que uno de los objetivos específicos de esta tesis es la evaluación
del impacto de las explicaciones sobre la confianza del usuario, los resultados nos
muestran que los grupos de estudiantes siempre obtuvieron resultados favorables en
todas las interfaces y en mayor grado en la interfaz textual con un promedio de 87%
de confianza. Las mejores puntuaciones de los usuarios del tipo profesor se
obtuvieron en las interfaces de tipo textual y mapa mental con un 87% y 78%
respectivamente. Para los usuarios del tipo empresario la mejor interfaz de
explicación con respecto a la confianza fue la de mapas mentales con un 79.7%, sin
embargo los niveles de comprensión y esfuerzo no fueron satisfactorios por lo que
concluimos que la mejor interfaz para empresarios es la de mapas conceptuales con
una puntuación de confianza de 76%, pero con niveles de comprensión más
favorables.
• Los mapas conceptuales, producen un esfuerzo cognitivo muy bajo 71.6% lo que
significa que se logra un bajo esfuerzo al relacionar la explicación con la
recomendación proporcionada, sin embargo debido a que tienen un porcentaje de
comprensión promedio del 76.1% podemos afirmar que esta interfaz no expresa en
forma adecuada las explicaciones proporcionadas, por lo que sugerimos una
combinación de la interfaz textual y la interfaz de mapas conceptuales, donde cada
ítem recomendado en el mapa conceptual se acompañe de su explicación individual,
ya sea en una ventana emergente o algún otro tipo de etiqueta.
• En los resultados globales por tipo de interfaz, las explicaciones textuales
obtuvieron un mayor porcentaje en la comprensión con un 84.71%, lo que significa
que realmente ayudan a los usuarios a comprender el porqué de las
recomendaciones, ya que este aspecto fue medido mediante preguntas como: “las
explicaciones son claras y comprensibles” y “Las explicaciones me ayudan a
entender cómo se formulan las recomendaciones” entre otras. Además la confianza
fue de 85.25 % también mucho mayor en este tipo de interfaz. Aunque el esfuerzo
cognitivo con un 78.50% resultó mayor en las explicaciones textuales, se sigue
cumpliendo con la tendencia de mayor comprensión, menor esfuerzo cognitivo
percibido y una mayor confianza producida dentro de la interfaz explicativa textual.
CAPÍTULO VII Conclusiones
7. Conclusiones
Capítulo VII. Conclusiones
115
7.1 Comentarios finales
Proveer de explicaciones en un sistema de recomendación es un aspecto de suma
importancia, ya que ayudan al usuario a comprender la salida del sistema, decidir si existe
suficiente evidencia para tomar una recomendación como válida y de esta forma ayudarlo
en el proceso de toma de decisiones. Además de proporcionar diferentes beneficios como:
• Ayudar al usuario a entender el razonamiento detrás de la recomendación y de esta
forma puede decidir qué tanta confianza dar a un recomendación.
• Optimizar el proceso de toma de decisiones al proporcionarle información adicional
para poder realizar una decisión asertiva.
• Brindar mayor aceptación al SR como ayuda para la toma de decisiones.
• Instruir al usuario sobre el proceso usado para generar la recomendación y permite
un mejor entendimiento de la fortaleza y limitaciones del sistema.
• Facilitar al usuario la selección de ítems de una recomendación dada de acuerdo a
sus necesidades presentes.
Mediante objetivos como la transparencia, eficacia, satisfacción, persuasión,
eficiencia, confianza entre otros.
La motivación principal de esta investigación parte de la problemática asociada a la
falta elementos que nos guíen en la generación de explicaciones en los sistemas de
recomendación. Por lo cual se desarrolló una metodología para la generación de
explicaciones en los sistemas de recomendación, la cual sirve como una guía práctica,
adaptable y extensible que nos proporciona las pautas en el proceso de generación de
explicaciones textuales mediante plantillas en los sistemas de recomendación.
Considerando diferentes aspectos que van desde los objetivos buscados, la definición de la
estructura textual, definición de reglas para la personalización, hasta la presentación entre
otros.
Por otra parte la metodología se aplicó al sistema de recomendación sensible al
contexto planteado en (González, 2012) que en su primera versión no cuenta con el servicio
de explicaciones; lo que permitió crear plantillas para proporcionar explicaciones a las
recomendaciones dadas por el sistema, con las cuales buscamos aumentar la confianza del
usuario hacia el sistema, y brindarle elementos claros y comprensibles que le ayuden en
proceso de toma de decisiones.
Uno de los aspectos fundamentales de esta investigación es que se diseñó, aplicó y
evaluó un experimento para probar las explicaciones directamente con usuarios reales,
mediante un prototipo que permitió una evaluación centrada en el usuario sobre el impacto
de las explicaciones en la confianza del usuario en diferentes presentaciones explicativas,
las cuales fueron 400 explicaciones para la interfaz textual, y 80 para las gráficas.
Con base en diferentes estudios referentes a aspectos cognitivos sobre el desempeño
de las imágenes vs. texto, conocido como el efecto de superioridad de las imágenes, se
esperaron resultados superiores en las interfaces gráficas, pero las valuaciones demostraron
Capítulo VII. Conclusiones
116
que la interfaz textual obtuvo mejores resultados sobre la comprensión 84.71 % del porqué
de las recomendaciones y la confianza 85.21 % del usuario en las recomendaciones
realizadas.
Las plantillas explicativas fueron creadas de forma manual y muy controlada,
conscientes de las implicaciones sobre la coherencia y semántica de los textos y de la gran
cantidad de aspectos que dificultarían la generación automática de dichas plantillas.
Además hay que tomar en cuenta que el diseño de plantillas es de acuerdo al dominio de
aplicación y el tipo de ítem a recomendar, y las implicaciones que conllevan a generar un
repositorio de plantillas para ítems heterogéneos, con la necesidad de análisis concreta para
cada una, entre otros aspectos.
7.2 Contribuciones
Entre las contribuciones realizadas por el presente trabajo de investigación se
encuentran:
• El desarrollo de una metodología para la generación de explicaciones textuales en
los sistemas de recomendación, la cual sirve como una guía práctica, adaptable y
extensible que nos proporciona las pautas en el proceso los sistemas de
recomendación,
• La propuesta generación de explicaciones mediante el uso de plantillas explicativas
textuales con campos variables.
• Creación de un repositorio de plantillas explicativas para un conjunto de ítems
heterogéneos, basados en las técnicas de recomendación de filtrado colaborativo,
contenido y conocimiento.
• Los resultados obtenidos de una evaluación centrada en el usuario, sobre el impacto
de las explicaciones en la confianza del usuario sobre el sistema.
7.3 Trabajos futuros
La generación de explicaciones en los sistemas de recomendación es un proceso que
requiere un análisis muy profundo en diferentes áreas, como las técnicas de recomendación,
la presentación de las recomendaciones, aspectos de mercadotecnia, y textos explicativos
entre otros, los cuales pueden afectar el impacto y experiencia sobre el usuario. Por lo que
la metodología desarrollada en este trabajo está abierta para para incorporación de nuevas
características o sistemas de recomendación, agregando la información correspondiente en
cada fase y actividad correspondiente.
Por otra parte como se ha mencionado anteriormente, debido a la heterogeneidad de
los ítems recomendados (Personas, objeto de conocimientos, lugares (instalaciones),
Capítulo VII. Conclusiones
117
servicios, actividades/eventos, recursos tecnológicos y proyectos) por el sistema y la
complejidad de las relaciones que pueden darse entre dichos ítems, y por cuestiones de
alcances de la tesis, se propone como trabajo futuro la generación automática de
explicaciones mediante mapas mentales y explicaciones más complejas mediante mapas
conceptuales basados en las relaciones existentes entre los ítems recomendados.
En este contexto, los trabajos futuros en estas áreas son:
• Llevar a cabo la implementación de un sistema para la generación automática de
explicaciones para la plataforma FindIt! (Rodriguez, 2013).
• Desarrollar una interfaz que incorpore una explicación grafica acompañada de las
explicaciones textuales para cada recomendación realizada, con la finalidad de
mejorar su desempeño. Aprovechando el mínimo esfuerzo cognitivo que produce
una interfaz gráfica y los altos niveles de confianza de una explicación textual.
• Realizar un estudio para medir el efecto de los diferentes estilos explicativos sobre
los ítems recomendados. Si un estilo en particular produce mejores resultados en las
explicaciones realizadas.
• Realizar un estudio para determinar si es conveniente agregar la información
contextual explicita a la explicación y qué tipo de información para cada tipo de
ítem, ubicación, disponibilidad, cercanía, etc.
118
Glosario
Argumentación La argumentación proviene del latín “argumentum” que
significa prueba o razón para justificar algo como verdad o
como acción razonable.
Explicación De acuerdo a la Real Academia de la Lengua Española una
explicación se define como “Una declaración o exposición de
cualquier materia, doctrina o texto con palabras claras o
ejemplos, para que se haga más perceptible.” El término
explicación desde la perspectiva científica clásica está
restringido, a la explicación del “por qué” de los hechos;
considerándose sólo como explicación científica aquella que
busca su marco y conceptos de referencia únicamente en las
relaciones causales, es decir, “Por qué, dada ciertas condiciones
antecedentes, se podría haber esperado que ocurriese el
acontecimiento a explicar” Lambert y Britan 1975.
Ítem Ítem, es el termino general utilizado para nombrar los
elementos que el sistema recomienda al usuario.
Mapa Conceptual Los mapas conceptuales, fueron desarrollados por Novak en
los años 70, se usan como un medio para la descripción y
comunicación de conceptos dentro de la teoría de asimilación,
una teoría del aprendizaje que ha tenido una enorme influencia
en la educación.
Mapa Mental El término mapa mental se le atribuye al psicólogo británico
Tony Buzan, el cual lo define como “Un método de análisis
que permite organizar con facilidad los pensamientos y utilizar
al máximo las capacidades mentales" (Buzan, 2002).
ML o MD Acrónico de Marcador Lingüístico o Marcador del Discurso.
Son unidades lingüísticas invariables, es decir operadores
binarios que añaden estructura al texto, los argumentos de estos
operadores son “segmentos de texto” que entran en la relación
determinada por el marcador. (Prada, 2001).
Plantilla Explicativa Texto que sirve de modelo o patrón para generar explicaciones
de un ítem recomendado mediante el llenado correspondiente
de sus campos variables.
SR Acrónimo de Sistema de Recomendación. Es son herramientas
de software que proveen un mecanismo útil para sugerir ítems
119
que son de interés para el usuario (Burke, 2007) (Mahmood, y
otros, 2009) (Resnik, y otros, 1997).
SRSC Acrónimo de Sistema de Recomendación Sensible al Contexto.
Es un sistema de recomendación que toma en consideración
diferentes factores (temporales, de lugar, nivel de experiencia
del usuario, dispositivo que se está utilizando en el momento
de recibir la recomendación, etc.) para inferir el contexto en
que se encuentra el usuario y adaptar las recomendaciones a
esas circunstancias, facilitando el acceso de los usuarios a la
información que necesitan (Peis, y otros, 2008).
RST Acrónimo de Rhetorical Structure Theory – Teoría de la
estructura retórica. La RST tiene su origen en estudios sobre la
generación automática de textos y ofrece una explicación de la
coherencia del texto.
120
Referencias
Adomavicius G. y Tuzhilin A. Contet-Aware Recommender Systems. - 2011.
Alejandres Hugo Omar Evaluación centrada en el usuario de sistemas de recomendación
semánticos sensibles al contexto: efecto de interfaces multimodales interactivas y esquemas
de argumentación en la experiencia del usuario. // Tesis doctoral en desarrollo. -
Cuernavaca, Morelos : CENIDET, 2012.
Alvarez G. Textos y discursos: Introducción a la lingüística del texto.. - 1996.
Arana Julia Yazmin Metodología para evaluación de SRSC centrada en el usuario, basada
en características de efectividad, confianza y satisfacción mediante interfaces multimodales
sobre dispositivos móviles multisensoriales. - Cuernavaca : CENIDET, 2013.
Arjona R. Servicios de Localización del Contexto Aplicando Perfiles de Movilidad y
Tecnologías de Localización Heterogéneas, Tesis de Maestría [Libro]. - Cuernavaca,
Morelos : CENIDET, 2009.
Baltrunas L. [y otros] Context-Aware Places of Interest Recommendations and
Explanations [Conferencia]. - [s.l.] : DEMRA in conjunction with UMAP, 2011.
Berners-Lee T., Hendler J. y Lassila O. The Semantic Web. Scientific American. - 2001.
Berthier Antonio conocimientoysociedad [En línea]. - 07 de 12 de 2007. - 06 de 2012. -
http://www.conocimientoysociedad.com/mapas.html .
Bilgic M. y Mooney R. Explaining recommendations: satisfaction vs promotion
[Conferencia] // Beyond Personalization Workshop. - [s.l.] : IUI, 2005. - Vol. 5.
Billsus Daniel y Pazzani Michael J. Personal News Agent that Talks, Learns and
Explains. - Department of Information and Computer Science University of California,
Irvine, USA : ACM, Conference on Autonomous Agents ‘9 Seattle WA USA, 1999.
Bouzeghoub Amel, Ngoc Do Kien y Wives L. Situation-Aware Adaptive
Recommendation to Assist Mobile Users in a Campus Environment [Conferencia]. - [s.l.] :
AINA '09. International Conference on, 2009.
Brown P. J., Bovey J. D. y Chen X. Context-Aware Applications: From the laboratory to
the Marketplace [Publicación periódica]. - 1997. - 5 : Vol. 4.
Burke R. «Hybrid Recommender Systems: Survey and Experiments,» User Modeling and
User-Adapted Interaction. - 2002.
121
Burke R. Hybrid web recommender systems [Publicación periódica] // The Adaptative
Web. - 2007. - págs. 377-408.
Buzan Tony Como crear mapas mentales // El instrumento clave para desarrollar tus. -
[s.l.] : Ediciones Urano, S.A., 2002.
Cañas Alberto [y otros] Herraminetas para construir y compartir modelos de
conocimiento basados en mapas conceptuales [Publicación periódica]. - [s.l.] : Revista de
Informática Educativa, 2000. - 2 : Vol. 13.
Chen Li Trust building with explanation interfaces // Proceedings of the 11th International
Conference on Intelligent User Interface (IUI’06). - 2006.
Chirinos Ricardo El problema de la explicación en la Ciencia. Las explicaciones causales
en Bas Van Fraassen. - [s.l.] : Universidad del Zulia. Departamento de Ciencias Humanas,
2006.
Ciliberti N y Galagovsky L.R. LAs redes conceptuales como instrumento para evaluar el
nivel de aprendizaje conceptual de los alumnos. - Buenos Aires, Argentina : [s.n.], 1999.
Costamanga Alicia Mapas conceptuales como la expresion de procesos de interrelacion
para evaluar la evaluacion del conocimiento de alumnos universitarios [Publicación
periódica]. - Argentina : Enseñanza de las ciencias: revista de investigación y experiencias
didácticas, 2001. - 2 : Vol. 19.
Czarkowski Marek A scrutable Adaptative Hypertext. - Sydney : [s.n.], 2006.
De Castro G. M. [y otros] El capital intelectual de la empresa. Evolución y desarrollo
futuro [Publicación periódica] // Economía Industrial. - 2010. - 378. - págs. 37-44.
Dey A., Abowd G. D. y Salber D. A Conceptual Framework and a Toolkit for Supporting
the Rapid Prototyping of Context-Aware Applications [Publicación periódica]. - 2001. -
Vol. 16.
Felfering A. y Gula B Consumer behavior in the interaction with knowledgebased
recommender applications // In ECAI 2006 Workshop on Recommender Systems. - 2006.
Ferran N. y Minguillon J. Información cualitativa sobre el uso de los objetos de
aprendizaje. - Barcelona España. : [s.n.], 2005.
Ferwerda Bruce, Swelsen Kevin y Yang Emly Explaining Content-Based
Recommendations. - 2012.
Friedrich G. y Zanker M. A Taxonomy for Generating Explanations in Recommender
Systems [Publicación periódica]. - 2011. - 32 : Vols. 90-98. - 3.
122
Glance N. S., Arregui D. y Dardenne M. Making Recommender Systems Work for
Organizations [Conferencia] // Practical Application of Intelligent Agents and Multi-Agent
Technology. - 1999.
González N. Sistema de Recomendación Contextual Basado en Ontologías para Ambientes
Organizacionales y de Usuario en Entornos de Cómputo Móvil, Tesis de Maestría [Libro]. -
Cuernavaca, Morelos : CENIDET, 2012.
Gruber Towards Principles for the Design of Ontologies Used for knowledge sharing . -
[s.l.] : International Journal on Human-Computer Studies, 1995. - Vol. 43.
Hepp M, De Leenheer P y De Moor A Ontology management: semantic web, semantic
web services, and business applications [Publicación periódica]. - Springer-Verlag New
York Inc : [s.n.], 2007.
Herlocker J. L. [y otros] Evaluating collaborative filtering recommender systems [Sección
de libro] // ACM Transactions on Information Systems. - 2004.
Herlocker J.L, Konstan J. A. y Riedl J. Explaining collaborative filtering
Recommendations. - Minneapolis, USA : Dept. of Computer Science and Engineering
University of Minnesota, 2000.
K. Atanas et al Semantic Annotation, Indexing, and Retrieval. // Human Language
Technologies Workshop en 2nd International Semantic Web Conference (ISWC2003). -
USA : [s.n.], 2003.
Lendinez S. APO: Aplicación para población de ontologias [Publicación periódica]. -
Madrid, España : [s.n.], 2009.
Loureda Oscar y Acín Esperanza Los estudios sobre marcadores del discurso en español,
hoy // Marcadores del discurso, variacion dialectal y variacion social. - Madrid :
Arco/Libros, 2010.
Lozano Oscar Framework adaptativo de algoritmos de recomendación para sistemas de
recomendacion semanticos sensibles al contexto // Tesis de maestria en desarrollo. - 2013.
Mahmood T. y Ricci F. Improving recommender systems with adaptive conversational
strategies [Conferencia] // Hypertext 2009. - [s.l.] : ACM, 2009. - págs. 73-82.
Mann William C y Thompson Sandra A. Rhetorical structure theory: Toward a
functional theory of text organization. - 1987. - Vol. 8.
Martín Zorraquino M.A. y Pórtoles Lázzaro J. Los marcadores del discurso en RAE
Gramática Descriptiva de la Lengua Española // Entre la oración y el discurso y la
morfologia. - Madrid España : [s.n.], 1999.
123
Medina John Brain Rules: 12 Principles for Surviving and thriving at work, home, and
school. [Libro]. - [s.l.] : Pear Press, 2008.
Papadimitriou A., Symeonidis P. y Manolopoulos Y. A generalized taxonomy of
explanations styles for traditional and social recommender systems [Publicación
periódica]. - [s.l.] : Data Mining and Knowledge Discovery, 2011. - Vols. 1-29.
Peis E., Morales del Catillo J.M. y Delgado Lopez J. A. Sistemas de Recomendación
Semánticos: Un análisis del estado de la cuestión,[ En línea]. Available:
http://www.upf.edu/hipertextnet/numero-6/recomendacion.html. - 2008.
Perales Jose y Romero Juan Procesamiento conjunto de lenguaje e imágenes en contextos
didácticos: Una aprximacion cognitiva // ISSN edición impresa: 0212-9728. - España :
Servicio de Publicaciones de la Universidad de Murcia. Murcia (España), 2005.
Piñero G. The value of discourse markers that express causality in Spanish // Estudios
filosoficos. - 2001.
Piñero G. The value of discourse markers that express causality in Spanish // Estudios
filosoficos. - 2001.
Ponce Rafael Busquedas contextuales de servicios basados en localizacion en un entorno
de web social. - 2011.
Pons Maria Dolores Aportaciones de la Teoría de la Argumentación a la Lingüística
Histórica. - [s.l.] : Res diachronicae, 2003.
Prada J J Marcadores del discurso en Español, Analsis y presentación. - 2001.
Pribram Karl H y Martín Ramirez J. Cerebro y conciencia. - [s.l.] : Ediciones Diaz de
Santos, 1995.
Resnik P. y Varian H. R. Recommender Systems [Publicación periódica] //
Communications of the ACM. - 1997. - págs. 56-58.
Rodriguez Jesus Metodología para la Implementación de Interfaces sobre Dispositivos
Multisensoriales Aplicada a Sistemas de Recomendación Sensibles al Contexto. -
Cuernavaca Morelos : CENIDET, 2013.
Rodriguez Piña R. A. [y otros] Mapas mentales y servicios de inteligencia empresarial. -
Vancouver : Acimed, 2008. - Vol. 17.
Sadeh N., Gandon, F., and Kwon. O. B. Ambient Intelligence: The MyCampus
Experience, Chapter in Ambient Intelligence and Pervasive Computing. - [s.l.] : T.
Vasilakos and W. Pedrycz, ArTech House, 2006.
124
Sahui Maldonado J. A. Factores que influyen en la conducta dl consumidor, Una
aproximacion desde las ciencias sociales. - [s.l.] : Universidad Modelo COPARMEX, 2008.
Studer S. Benjamins, R. Fensel, D. “Knowledge Engineering: Principles and Methods,
Data and Knowledge. - 1998.
Swearingen K. y Sinha R. Interaction design for recommender systems. - [s.l.] : DIS2002,
2002.
Theimer B y Schilit M Disseminating Active Map Information to Mobile Hosts
[Publicación periódica]. - 1994. - 5 : Vol. 8.
Tintarev N. y Masthoff J. A Survey of Explanations in Recommender Systems. - [s.l.] :
University of Aberdeen, Scotland, U.K., 2007.
Tintarev Nava Explaining Recommendations. - Aberdeen : University of Aberdeen., 2009.
Tintarev Nava y Masthoff Judith Recommender Systems Handbook: Designing and
evaluating explanations for recommender systems [Libro]. - [s.l.] : Francesco Ricci, Lior
Rokach y otros, 2011. - Vols. pp 479-510.
Tsetsos V, Papataxiarhis V y Hadjiefthymiades S Personalization Based on Semantic
Web Techonologies. - [s.l.] : Engineering in the knowledge society, IgI Global, 2009.
Uschold M y Gruninger M Ontologies: Principles, Methods and Aplications. Knowledge
[Publicación periódica]. - 1996. - 2 : Vol. 11.
Vargas R. Modelo colaborativo para la integración de sistemas. Informe de avance de
Tesis doctoral [Libro]. - Cuernavaca, Morelos : CENIDET, 2011.
Zanker M. y Ninaus D. Knowledgeable Explanations for Recommender Systems. - [s.l.] :
IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent
Technology, 2010.
125
Anexo A
Definición de plantillas explicativas
Los tipos de ítems recomendados por el sistema (Lozano, 2013) son: Personas,
objeto de conocimientos, lugares (instalaciones), servicios, actividades/eventos, recursos
tecnológicos y proyectos. Las plantillas son definidas de acuerdo al dominio de IES y para
cada tipo de ítem recomendado y para cada técnica utilizada: basada en conocimiento,
contenido y filtrado colaborativo En esta sección se realiza una revisión detallada de las
propiedades de cada ítem, las cuales se definen en la ontología multidimensional propuesta
por (González, 2012).
Información del usuario para personalizar la plantilla
La información que se utiliza para la personalización de la explicación, se extrae del perfil
del usuario, características como:
• [grado_academico]: ingeniería, maestría, doctorado, etc. Obtenido con Profesión
http://sweet.jpl.nasa.gov/ontology/human_activities.owl#Profession
• [título]: señor, señora. Srita. Obtenido con estado civil State
• [nombre_usuario]: nombre del usuario.
Explicaciones generalizadas, basadas en filtrado colaborativo:
• Basada en ítems:
o [grado_Academico]/[título] [nombre_usuario] se (le/te) ha recomendado
[este/esta] [tipo_item], [marcador_linguistico] usuarios quienes [accion]
[el/la] [ítem_visitado], también [accion] [el/la] [ítem_recomendado]
• Basada en Usuarios
o [grado_Academico]/[título] [nombre_usuario] se (le/te) ha recomendado
[este/esta] [tipo_item], [marcador_linguistico] usuarios similares a [usted/ti]
le han asignado una calificación alta.
Por otra parte tomando información específica del Perfil Usuario, podemos ampliar
la explicación agregando la característica que comparte en común con los usuarios
similares, por ejemplo:
[tipo_item]: tipo de ítem recomendado [tipo_usuario]: tipo de usuario (empresario, estudiante-x, profesor). [premios]: premios que el usuario ha recibido. [departamento]: departamento o área al que pertenece el usuario o de interes. [dominio_conocimiento]: áreas de conocimiento, líneas de investigación o tópicos de
interés del usuario.
[participación_proyectos]: proyectos en los que el usuario ha participado. [ocupación]: ocupación del usuario.
126
[grado_Academico]/[título] [nombre_usuario] se (le/te) ha recomendado (este/esta)
[tipo_item], [marcador_lingüístico] usuarios similares a [usted/ti] en [x] le han asignado
una calificación alta.
Donde [x] puede ser:
• [x] Tipo de usuario: [tipo_usuario];
• [x] Premios recibidos [premios];
• [x] Departamento al que pertenecen [departamento]
• [x] Áreas de conocimiento [dominio_conocimiento];
• [x] proyectos [participación_proyectos]
• [x] ocupación [ocupación]
A.1 PROPIEDADES: ÍTEM PERSONA
DataProperties Domain:
o familyName domain Person o lastName domain Person o userType domain Person o firstName domain Person
ObjectProperties Domain:
o belongsToHumanCategory domain Person o arrivedTo domain Person o hasAward domain Person o hasKnowledgeObject domain Person
o hasLocation domain Person
o isMemberOf domain Person o isNearOf domain Person o isRecommendableFor domain Person o isShareableWith domain Person o is_interested_in domain Person o offerTo domain Person o participatesIn domain Person
o participatesInA domain Person o performsActivity domain Person o performsOccupation domain Person o ObjectProperties Range: o hasAccessTo range Person o hasContact range Person
o isNearOf range Person
o isRecommendableFor range Person o offerTo range Person o owner range Person
A.1.1 Para explicación basada en contenido obtener:
[nombre_persona]: nombre de la persona recomendada.
[tipo_persona]: tipo de persona recomendada (profesor investigador, coordinador
académico,etc)
127
[vec_dominio_conocimiento:]: vector de palabras contenidas en la descripción de las
áreas de conocimiento, líneas de investigación o tópicos de interés de la persona recomendada; que coinciden con el perfil del usuario.
[vec_pal_clave_objeto_conocimiento]: vector de palabras clave que posee el objeto de conocimiento asociado a la persona recomendada, que coinciden con el perfil del usuario.
[vec_pal_clave_proyectos]: vector de palabras clave que poseen los proyectos asociados a la persona recomendada, que coinciden con el perfil del usuario.
[departamento]: departamento o área al que pertenece la persona recomendada.
Personas: [grado_academico]/[título] [nombre_persona] se (le/te) ha recomendado a
(este/esta) [tipo_persona], [marcador_lingüístico]
a. posee conocimientos sobre: [vec_dominio_conocimiento |
vec_pal_clave_objeto_conocimiento]; pertenece al [departamento];
participa en proyectos relacionados con [vec_pal_clave_proyectos]; lo cual
es de interés para (usted/ti).
b. posee conocimientos sobre [vec_dominio_conocimiento], lo cual es una
característica que tienen [tipo_persona] que (le/te) han interesado.
A.1.2 Para explicación basada en conocimiento obtener:
[nombre_persona]: nombre de la persona recomendada.
[tipo_persona]: tipo de persona recomendada (profesor investigador, coordinador
académico,etc, asesor) [dominio_conocimiento]: áreas de conocimiento, líneas de investigación o tópicos de
interés de la persona; que coincidan con el perfil del usuario. [área_objeto_conocimiento]: áreas de conocimiento, línea de especialización o tópico a
los cuales pertenecen los objetos de conocimiento asociados a la persona recomendada. [área_proyecto]: áreas de conocimiento, línea de especialización o tópico a los cuales
pertenecen los proyectos asociados a la persona recomendada.
[departamento]: departamento o área al que pertenece la persona recomendada.
[contacto_de]: indica que esta persona es encargada de: departamento, recurso, servicio
o proyecto por el cual el usuario está interesado.
[descripción_oferta]: descripción de oferta del servicio, departamento, recurso o
proyecto el cual es de interés para el usuario.
Personas: [grado_Academico]/[título] [nombre_persona] se (le/te) ha recomendado visitar
a [esta/este] [tipo_persona / persona], [marcador_linguistico] [x]
o [x] pertenece al [departamento];
o [x] posee conocimientos sólidos en el área de
[dominio_conocimeinto]/entre sus áreas de especialización se encuentran
[dominio_conocimiento], | [puede brindarte asesorías]
o [x] [tiene (asociados/asociadas) (publicaciones/tesis)] | [y] [participa en
proyectos] (asociados/asociadas) con (la misma área/las mismas áreas)
o [x] tiene a su cargo el [contacto_de] el cual ofrece [descripción_oferta];
o [x] lo cual es de tu interés;
o [x] y en este momento se encuentra disponible.
128
A.2 PROPIEDADES: ÍTEM OBJETO DE CONOCIMIENTO
DataProperties Domain: o ID_RFID domain KnowledgeObject o description domain KnowledgeObject o keyword domain KnowledgeObject
o name domain KnowledgeObject o shareable domain KnowledgeObject
ObjectProperties Domain: o creator domain KnowledgeObject
o owner domain KnowledgeObject
Article_in_Proceedings
DataProperties:
o ISSN-0302-9743 description Juan G. Gonzàlez Serna, Hugo Estrada E., Azucena Montes R., Victor J. Sosa S. J. Carlos Olivares. A on-the-flight proxy system for multi-format Web content transcoding for mobile devices Lecture Notes in Computer Science, vol. 5072 y 5073 NOmbre conferencia Computational Science and its Applications, ISSN 0302-9743, Springer-Verlag, julio. 2008, pp. 248-258
o ISSN-0302-9743 conference_name Computational Science and its Applications o ISSN-0302-9743 month julio o ISSN-0302-9743 title o ISSN-0302-9743 year 2008
ObjectProperties From:
o ISSN-0302-
9743 hasAssociatedKnowledgeDomain Desarrollo_en_plataforma_Android_symbian_windows_mobile_iphone
ObjectProperties To:
o Centro_de_Informacion hasKnowledgeObject ISSN-0302-9743
A.2.1 Para explicación basada en contenido obtener:
[nombre_objeto_conocimiento]: nombre del objeto de conocimiento recomendado. [tipo_oc]: tipo de objeto de conocimiento (publicación, tesis, manual, etc.).
[vec_dominio_conocimiento]: vector de palabras contenidas en las áreas de conocimiento o líneas de investigación al cual pertenece el objeto de conocimiento; que coinciden con el
perfil del usuario. [vec_palabra_clave]: vector de palabras clave contenidas en los o.c coincidentes con el
perfil del usuario.
Objetos de conocimiento: [grado_Academico]/[título] [nombre_usuario] se (le/te) ha
recomendado (este/esta) [tipo_oc], [marcador_linguistico]
c. Está relacionado con [vec_dominio_conocimiento] | contiene los siguientes
términos: [vec_palabra_clave]; los cuales son de son de (tu/su) interés.
d. contiene los siguientes términos [vec_palabra_clave], incluidos en los ítems
que (le/te) han gustado previamente.
129
A.2.2 Para explicación basada en conocimiento obtener:
[nombre_objeto_conocimiento]: nombre del objeto de conocimiento recomendado. [tipo_oc]: tipo de objeto de conocimiento (publicación, tesis, manual, etc.). [área_objeto_conocimiento]: áreas de conocimiento, línea de especialización o tópico a
los cuales pertenecen los objetos de conocimiento asociados a la persona recomendada.
O.C: [grado_Academico]/[título] [nombre_usuario] se (le/te) ha recomendado consultar
[este/esta] [tipo_oc], [marcador_linguistico] [x]
o [x] está] [relacionado/relacionada] con el (área de/áreas como)
[área_objeto_conocimiento], por (la cual/las cuales) (tu estas/usted está)
interesado;
A.3 PROPIEDADES: ÍTEM LUGAR
ObjectProperties Domain: o hasKnowledgeObject domain Place o isAssociatedTo domain Place
ObjectProperties Range: o arrivedTo range Place o developedAt range Place o isAssociatedTo range Place
o owns range Place
o produces range Plac
DataProperties: o info_dcc_pb_lab_SD description Area de Consultas
o info_dcc_pb_lab_SD description Area de Investigacion Cientifica o info_dcc_pb_lab_SD description Practicas o info_dcc_pb_lab_SD description antena o info_dcc_pb_lab_SD description servidor o info_dcc_pb_lab_SD description tablet o info_dcc_pb_lab_SD name Laboratorio de Sistemas Distribuidos
o info_dcc_pb_lab_SD name Laboratorio de Sistemas Distribuidos
ObjectProperties From: o info_dcc_pb_lab_SD isAssociatedToKnowledgeDomain Servicios_de_reco
mendacion_contextual_semanticos
o info_dcc_pb_lab_SD isAssociatedToKnowledgeDomain Sistemas_Distribuidos
o info_dcc_pb_lab_SD isAssociatedToKnowledgeDomain Aplicaciones_semanticas
o info_dcc_pb_lab_SD isAssociatedToKnowledgeDomain Bluetooth o info_dcc_pb_lab_SD isAssociatedToKnowledgeDomainCiclo_de_vida_de_u
na_ontologia_asi_como_a_las_metodologias_y_redes_de_ontologias
o info_dcc_pb_lab_SD isAssociatedToKnowledgeDomain Lenguajes_ontologicos
o info_dcc_pb_lab_SD isAssociatedToKnowledgeDomainMetodologias_herramientas_y_lenguajes_necesarios_para_la_construccion_de_ontologias_y_redes_de_ontologias
o info_dcc_pb_lab_SD isAssociatedToKnowledgeDomain Modelo_conceptual_para_aplicaciones_web
130
o info_dcc_pb_lab_SD isAssociatedToKnowledgeDomainProceso_y_dise%C3
%B1o_de_desarrollo_de_ontologias_y_redes_de_ontologias o info_dcc_pb_lab_SD isAssociatedToKnowledgeDomain RFID_NFC_QRCode
s o info_dcc_pb_lab_SD isAssociatedToKnowledgeDomain Semantica_de_la_i
nformacion_y_de_los_servicios o info_dcc_pb_lab_SD isAssociatedToKnowledgeDomain Servicios_Web_Se
manticos
o info_dcc_pb_lab_SD isAssociatedToKnowledgeDomain WiFi o info_dcc_pb_lab_SD is_associated_to Cerritus o info_dcc_pb_lab_SD containedIn UA3 o info_dcc_pb_lab_SD hasResource Resource1
ObjectProperties To:
o RevisionProyecto heldin info_dcc_pb_lab_SD
A.3.1 Para explicación basada en contenido obtener:
[nombre_lugar]: nombre del lugar recomendado.
[tipo_lugar] : obtenerlo del nombre.
[descripción_lugar]: vector de palabras contenidas en la descripción del lugar; que
coinciden con el perfil del usuario.
[tipo_lugar]: tipo de lugar recomendado. [vec_objeto_conocimiento]: vector de palabras clave que posee el objeto de
conocimiento, que coinciden con el perfil del usuario. [vec_dominio_conocimiento]: vector de palabras contenidas en las áreas de conocimiento
o líneas de investigación asociadas al lugar; que coinciden con el perfil del usuario. [vec_recurso_tecnológico]: vector de palabras contenidas en los recursos tecnológicos;
que coinciden con el perfil del usuario.
Lugares: [grado_Academico]/[título] [nombre_usuario] se (le/te) ha recomendado (el/la)
[tipo_lugar], [marcador_linguistico]
a. 1. posee (la siguiente característica/las siguientes características como:
[vec_descripción_lugar] (la cual/las cuales) son de (tu/su) interés;
2. tiene asociados (el siguiente termino/los siguientes términos)
[vec_objeto_conocimiento | vec_dominio_conocimiento|
vec_recurso_tecnológico]; (el cual es/los cuales son) de (tu/su) interés;
b. 1. posee características similares a lugares que (ha/has) visitado
anteriormente como: [vec_descripción_lugar].
2. posee características similares a lugares que (ha/has) visitado
anteriormente como: [vec_objeto_conocimiento |
vec_dominio_conocimiento| vec_recurso_tecnológico];
A.3.2 Para explicación basada en conocimiento obtener:
[nombre_lugar]: nombre del lugar recomendado.
[tipo_lugar]: tipo de lugar recomendado.
131
[tópicos_descripción_lugar]: tópicos de interés contenidos en la descripción del lugar;
que coinciden con el perfil del usuario.
[dominio_conocimiento]: áreas de conocimiento, líneas de investigación o tópicos de interés del lugar recomendado; que coincidan con el perfil del usuario.
[área_objeto_conocimiento]: áreas de conocimiento, línea de especialización o tópico a los cuales pertenecen los objetos de conocimiento asociados al lugar recomendado.
[tipo_oc]: tipo de objeto de conocimiento asociado al lugar (publicaciones, tesis, libros,
manuales, etc). [recurso_tecnológico]: recursos tecnológicos; que coinciden con el perfil del usuario.
Lugares: [grado_Academico]/[título] [nombre_usuario] se (le/te) ha recomendado acudir
(al/a la) [tipo_lugar], [marcador_linguistico] [x]
o [x] está asociado con [tópicos_descripción_lugar |
dominio_conocimiento]
o [x] ahí puedes consultar [tipo_oc] relacionados con
[área_objeto_conocimiento]
o [x] cuenta con recursos tecnológicos (recursos tecnológicos/infraestructura)
o [x] lo cual (es/son) de interés para (usted/ti).
o [x] en este momento se encuentra (disponible/abierto).
A.4 PROPIEDADES: ITEM EVENTO
DataProperties Domain:
o availableFor domain Event
o condition domain Event o descriptionEvent domain Event o eventName domain Event o purpose domain Event
ObjectProperties Domain:
o hasAssociatedKnowledgeDomain domain Event o hasKnowledgeObject domain Event o heldin domain Event o isOrganizedBy domain Event o isShareableWith domain Event
o occursOverA domain Event o offerTo domain Event o orientedTo domain Event
ObjectProperties Range:
o hasAccessTo range Event
o isNearOf range Event o isRecommendableFor range Event o participatesInA range Event
A.4.1 Para explicación basada en contenido obtener:
[nombre_evento]: nombre del evento recomendado. [tipo_evento]: tipo de evento (taller, congreso, conferencia, simposio, titulación, etc.)
identificado con el nombre del evento.
132
[vec_descripcion_evento]: vector de palabras contenidas en la descripción del evento; que
coinciden con el perfil del usuario.
[vec_dominio_conocimiento]: vector de palabras contenidas en las áreas de conocimiento o líneas de investigación asociadas al evento; que coinciden con el perfil del usuario.
[vec_objeto_conocimiento]: vector de palabras clave que poseen los objetos de conocimiento asociados al recurso, que coinciden con el perfil del usuario.
[orientado_a]: tipo de participante al que está orientado el evento; que coinciden con el perfil del usuario.
Eventos: [grado_Academico]/[título] [nombre_usuario] se (le/te) ha recomendado
(este/esta) [tipo_evento], [marcador_linguistico]
a. 1. Contiene (los siguientes términos/ el siguiente término) en su descripción:
[vec_descripcion_evento] (el cual/los cuales) son de (tu/su) interés
2. está relacionado con tópicos como: [vec_dominio_conocimiento] |
tiene asociadas las palabras clave [vec_objeto_conocimiento] |
está orientado al [orientado_a]
lo cual es de (su/tu) interés.
b. 1. Su descripción contiene términos que (le/te) han interesado anteriormente
como: [vec_descripcion_evento].
2. se tratarán tópicos como: [vec_dominio_conocimiento] |
tiene asociadas las siguientes palabras clave [vec_objeto_conocimiento] |
está orientado al [orientado_a]
(el cual/los cuales) (le/te) han interesado anteriormente.
A.4.2 Para explicación basada en conocimiento obtener:
[nombre_evento]: nombre del evento recomendado. [tipo_evento]: tipo de evento (taller, congreso, conferencia, simposio, titulación, etc.)
identificado con el nombre del evento. [orientado_a]: tipo de participante al que está orientado el evento; que coinciden con el
perfil del usuario.
[descripción_evento]: descripción del evento; que coinciden con el perfil del usuario.
[dominio_conocimiento]: áreas de conocimiento, líneas de investigación o tópicos de interés del evento recomendado; que coincidan con el perfil del usuario.
[área_objeto_conocimiento]: áreas de conocimiento, línea de especialización o tópico a los cuales pertenecen los objetos de conocimiento asociados al evento recomendado.
Eventos: [grado_Academico]/[título] [nombre_usuario] se (le/te) ha recomendado evento,
[marcador_linguistico] [x]
o [x] está dirigid[o/a] [orientado_a]
o [x] interesados en [dominio_conocimiento | descripción_evento |
área_objeto_conocimiento];
o [x] y el evento [está próximo a realizarse/se está llevando a cabo]
A.5 PROPIEDADES: ITEM RECURSO TECNOLÓGICO
DataProperties Domain:
o ID_RFID domain Resource o description domain Resource
133
o divisibility domain Resource
o fairValue domain Resource o manufacturer domain Resource o name domain Resource o shareable domain Resource o shareableWith domain Resource o status domain Resource
ObjectProperties Domain:
o commited_to domain Resource o component_of domain Resource o has_role domain Resource o isAssociatedToKnowledgeDomain domain Resource
o is_alternative_resource_of domain Resource o is_associated_to domain Resource o is_used_by domain Resource o is_used_to_perform domain Resource
o use_with domain Resource o with_regard_to domain Resource
ObjectProperties Range:
o component_of range Resource o has_resource range Resource o is_alternative_resource_of range Resource o use_with range Resource
A.5.1 Para explicación basada en contenido obtener:
[nombre_recurso]: nombre del recurso tecnológico recomendado.
[tipo_recurso]: tipo de recurso (equipo/herramienta/dispositivo) identificado con el
nombre del recurso.
[vec_descripcion_recurso]: vector de palabras contenidas en la descripción del recurso;
que coinciden con el perfil del usuario. [vec_dominio_conocimiento]: vector de palabras contenidas en las áreas de conocimiento
o líneas de investigación asociadas al recurso; que coinciden con el perfil del usuario.
Recursos: [grado_Academico]/[título] [nombre_usuario] se (le/te) ha recomendado
[este/esta] [tipo_recurso], [marcador_linguistico]
a. 1. posee características como: [vec_descripción_recurso] las cuales son de
(tu/su) interés;
2. está asociado con los siguientes términos: [vec_dominio_conocimiento];
(el cual/los cuales) son de (tu/su) interés;
b. 1. Su descripción contiene términos que (le/te) han interesado anteriormente
como: [vec_descripcion_recurso].
2. contiene los siguientes términos asociados a recursos que (le/te) han
interesado antes: [vec_dominio_conocimiento].
A.5.2 Para explicación basada en conocimiento obtener:
[nombre_recurso]: nombre del recurso tecnológico recomendado.
134
[tipo_recurso]: tipo de recurso (equipo/herramienta/dispositivo) identificado con el
nombre del recurso.
[dominio_conocimiento]: áreas de conocimiento, líneas de investigación o tópicos de interés del recurso recomendado; que coincidan con el perfil del usuario.
[descripción_recurso]: descripción (de uso) del recurso; que coinciden con el perfil del
usuario.
Recursos: [grado_Academico]/[título] [nombre_usuario] se (le/te) ha recomendado
[este/esta] [tipo_recurso], [marcador_linguistico] [x] y
o [x] pertenece al área de [dominio_conocimiento];
o [x] puede [servirle/servirte] para [descripción_recurso];
o [x] actualmente está disponible.
A.6 PROPIEDADES: ITEM SERVICIO
DataProperties Domain:
o availableFor domain Service o description domain Service o name domain Service
ObjectProperties Domain:
o hasAssociatedKnowledgeDomain domain Service o offerTo domain Service o orientedTo domain Service o referencedInKO domain Service
ObjectProperties Range:
o isNearOf range Service
o isRecommendableFor range Service o serves range Service
A.6.1 Para explicación basada en contenido obtener:
[nombre_servicio]: nombre del servicio recomendado.
[vec_descripcion_servicio]: vector de palabras contenidas en la descripción del servicio;
que coinciden con el perfil del usuario. [vec_dominio_conocimiento]: vector de palabras contenidas en las áreas de conocimiento
o líneas de investigación asociadas al servicio; que coinciden con el perfil del usuario.
[vec_disponible_para]: vector de palabras contenidas en la relación availableFor asociadas
al servicio; que coinciden con el perfil del usuario. [orientado_a]: tipo de usuario al que está orientado el servicio; que coinciden con el perfil
del usuario.
Servicios: [grado_Academico]/[título] [nombre_usuario] se (le/te) ha recomendado el
servicio de [nombre_servicio], [marcador_linguistico]
a. 1. posee (los siguientes términos/ el siguiente término) en su descripción:
[vec_descripcion_servicio] (el cual/los cuales) son de (tu/su) interés.
2. está asociado a los siguientes términos: [vec_dominio_conocimiento] |
posee disponibilidad con [vec_disponible_para] |
135
está orientado al [orientado_a]
lo cual es de (su/tu) interés.
b. 1. su descripción contiene términos que (le/te) han interesado anteriormente
como: [vec_descripcion_servicio].
2. está asociado a los siguientes términos: [vec_dominio_conocimiento] |
posee disponibilidad con [vec_disponible_para] |
está orientado al [orientado_a]
lo cual (le/te) ha interesado anteriormente.
A.6.2 Para explicación basada en conocimiento obtener:
[nombre_servicio]: nombre del servicio recomendado.
[tipo_servicio]:Maestria, doctorado, curso, oferta academica,consulta, etc [orientado_a]: tipo de usuario al que está orientado el servicio; que coinciden con el perfil
del usuario. [dominio_conocimiento]: áreas de conocimiento, líneas de investigación o tópicos de
interés del servicio recomendado; que coincidan con el perfil del usuario.
[descripción_servicio]: descripción del servicio; que coinciden con el perfil del usuario.
servicios: [grado_Academico]/[título] [nombre_usuario] se (le/te) ha recomendado este
servicio, [marcador_linguistico] [x]
o [x] es ofrecido a [orientado_a];
o [x] está relacionado con [dominio_conocimiento | descripción_servicio];
o [x] lo cual es de tu interés.
nombre_servicio = Maestria en ciencias de la computación descripción_servicio= Línea de investigación: Sistemas distribuidos
regla si dominio_conocimiento = departamento de ciencias computacionales -> dominio_conocimiento= el área de Ciencias de la computación. Si el ítem es biblioteca -> [orientado_a]= estudiantes
A.7 PROPIEDADES: ITEM PROYECTO
DataProperties Domain:
o datatypeProperty_11 domain Project o endDate domain Project
o keyProject domain Project o projctType domain Project o projectDescription domain Project
o projectName domain Project o sponsor domain Project o startDate domain Project
ObjectProperties Domain: o applicationArea domain Project o developedAt domain Project o hasAssociatedKnowledgeDomain domain Project o hasGoal domain Project
o hasKnowledgeObject domain Project o hasPotentialUser domain Project o isShareableWith domain Project o occursOverA domain Project o offerTo domain Project
136
o produces domain Project
o producesProduct domain Project o requiresAsset domain Project o requiresIndividualCompetency domain Project
ObjectProperties Range:
o hasAccessTo range Project o isNearOf range Project o isRecommendableFor range Project o participatesIn range Project o participatesInA range Project o worksAt range Project
A.7.1 Para explicación basada en contenido obtener:
[nombre_proyecto]: nombre del proyecto recomendado. [tipo_proyecto]: tipo del proyecto recomendado (investigación,desarrollo).
[vec_descripcion_proyecto]: vector de palabras contenidas en la descripción del proyecto;
que coinciden con el perfil del usuario. [vec_palabra_clave_proyecto]: vector de palabras clave del proyecto; que coinciden con
el perfil del usuario. [vec_objeto_conocimiento]: vector de palabras clave que poseen los objetos de
conocimiento asociados al proyecto, que coinciden con el perfil del usuario. [vec_dominio_conocimiento]: vector de palabras contenidas en las áreas de conocimiento
o líneas de investigación asociadas al proyecto; que coinciden con el perfil del usuario. [area_aplicacion]: sector económico al cual está dirigido el proyecto.
Proyectos: [grado_Academico]/[título] [nombre_usuario] se (le/te) ha recomendado este
proyecto, [marcador_linguistico]
a. 1. posee (los siguientes términos/ el siguiente término) en su descripción:
[vec_descripcion_proyecto] (el cual/los cuales) son de (tu/su) interés.
2. contiene las siguientes palabras clave [vec_palabra_clave_proyecto],
[vec_objeto_conocimiento] | está asociado con [vec_dominio_conocimiento] |
está orientado al sector [area_aplicacion] |
lo cual es de (su/tu) interés.
b. 1. Su descripción contiene términos que (le /te) han interesado en otros
proyectos como: [vec_descripción_proyecto].
2. contiene las siguientes palabras clave [vec_palabra_clave_proyecto],
[vec_objeto_conocimiento] | está asociado con [vec_dominio_conocimiento] |
está orientado al sector [area_aplicacion] |
lo cual (le/te) ha interesado en proyectos anteriores.
A.7.2 Para explicación basada en conocimiento obtener:
137
[nombre_proyecto]: nombre del proyecto recomendado.
[tipo_proyecto]: tipo del proyecto recomendado (investigación, desarrollo).
[descripción_proyecto]: descripción del proyecto; que coinciden con el perfil del usuario.
[dominio_conocimiento]: áreas de conocimiento, líneas de investigación o tópicos de interés del proyecto recomendado; que coincidan con el perfil del usuario.
[area_aplicación]: sector económico al cual está dirigido el proyecto. [área_objeto_conocimiento]: áreas de conocimiento, línea de especialización o tópico a
los cuales pertenecen los objetos de conocimiento asociados al proyecto recomendado.
Proyectos: [grado_Academico]/[título] [nombre_usuario] se (le/te) ha recomendado este
proyecto, [marcador_linguistico] [x]
o [x] ; se encuentra relacionado con [el área/las áreas] de
[dominio_conocimiento];
o [x] ; está dirigido a personas interesadas en el sector de [area_aplicación];
o [x] tiene (asociados/asociadas) (publicaciones, tesis, etc.) concernientes a
[las mismas areas/ [área_objeto_conocimiento]]
o [x] lo cual puede ser de tu interés.
138
Anexo B
Estudio Confianza
B.1 Distribución de ítems recomendados por tipo de usuario
Tabla B.1 Distribución de Ítems para G1
Tabla B.2 Distribución de ítems para G2
Tabla B.3 Distribución ítems para Profesores
Tabla B.4 Distribución ítems para de Empresarios
Empresario
Tipo ítem ítem
Proyecto Proyecto de investigación
Proyecto Proyecto de investigación
Proyecto Proyecto de investigación
Servicio Consultoría
Servicio Desarrollo de proyecto
Servicio Curso
Servicio Curso
Persona Profesor
Persona Profesor
Persona Vinculación
Estudiante G1
Tipo ítem ítem
servicio Consulta bibliográfica
servicio oferta académica
servicio cursos
servicio estancia / residencia
Lugar Biblioteca
Evento Admisión/resultados
Evento Conferencias
O.C. Tesis
Persona Profesor
Persona Profesor
Estudiante G2
Tipo ítem ítem
Persona Jefe de departamento
Persona Profesor
Persona Profesor
Persona Escolares
Proyecto Proyecto de investigación
Proyecto Proyecto de investigación
Lugar Laboratorio
Evento Admisión/resultados
Servicio Curso
Evento Conferencia
Profesor
Tipo ítem ítem
Servicio Curso
Servicio Vinculación
Evento Conferencia
Persona Profesor
Persona Profesor
Proyecto Proyecto de investigación
Proyecto Proyecto de investigación
O.C. tesis
O.C. tesis
O.C. tesis
139
B.2 Preguntas para evaluación para las interfaces explicativas (Arana, 2013)
Tabla B.5 Preguntas de evaluación
No Pregunta Característica Adaptación Referencia
1 It is easy to see at a
glance the available
options.
Comprensión Es fácil comprender las
explicaciones rápidamente.
POSITIVA
48/SUMI
2 The information (such as
online help, on-screen
messages, and other
documentation) provided
with system is clear
Comprensión Las explicaciones
proporcionadas son
claras. POSITIVA 11/QUIS
3 The way that system
information is presented
is clear and
understandable.
Comprensión La forma en que se presenta la
explicación de una
recomendación, es clara y
comprensible. POSITIVA
13/SUMI
4 I understand how
TasteWeights came up
with the
recommendations.
Comprensión Por medio de las explicaciones
entiendo cómo se formulan las
recomendaciones.
POSITIVA
2 / Bart
Understandability
5 I am unsure how the
recommendations were
generated.
Comprensión Las explicaciones no me ayudan
a comprender cómo se formulan
las recomendaciones.
NEGATIVA
4 /Bart
Understandability
6 The recommendation
process is clear to me.
Comprensión Con la explicación, la
recomendación es clara para mí.
POSITIVA
5 /Bart
Understandability
7 TasteWeights showed me
where the
recommendations came
from.
Comprensión Con la explicación entiendo las
razones por que se me
recomendaron esos elementos.
POSITIVA
6/ Bart
Understandability
8 This system helps me find
what I am looking for.
Esfuerzo
cognitivo
percibido
Las explicaciones me ayudan a
la comprensión de las
recomendaciones
POSITIVA
9/WAMMI
140
9 Remembering where I am
on this system is difficult.
Esfuerzo
cognitivo
percibido
Relacionar la explicación con la
recomendación que se me ha
brindado es difícil.
NEGATIVA
17/WAMMI
10 Using this recommender
system for the first time is
easy.
Esfuerzo
cognitivo
percibido
Gracias a las explicaciones, las
recomendaciones fueron de mi
agrado desde el principio.
POSITIVA
15/WAMMI
11 I keep having to go back
to look at the guides.
Esfuerzo
cognitivo
percibido
Tengo que regresar y revisar la
explicación para entender la
recomendación.
NEGATIVA
30/SUMI
12 I will never learn to use
all that is offered in this
software.
Esfuerzo
cognitivo
percibido
Nunca entenderé el por qué, de
las recomendaciones que se me
han proporcionado.
NEGATIVA
40/SUMI
13 If I had a chance to use
this interface again,
I would likely make my
choice more quickly.
Esfuerzo
cognitivo
percibido
Si se me mostrarán más
recomendaciones entendería el
por qué rápidamente.
POSITIVA
Intention to save
effort in next visit
/ Li Chen
User Evaluation
Framework of
Recommender
Systems
14 Looking for a product
using this interface
required
too much effort (reverse
scale).
Esfuerzo
cognitivo
percibido
Entender las recomendaciones
requiere demasiado esfuerzo
NEGATIVA
Perceived
effort/Li Chen
User Evaluation
Framework of
Recommender
Systems
15 The system
documentation is very
informative.
Confianza El contenido de la explicación
de cada recomendación ha sido
muy informativa.
POSITIVA
15/SUMI
16 It is obvious that user
needs have been fully
Confianza Es evidente que las necesidades
del usuario han sido tomadas en 31/SUMI
141
taken into consideration cuenta.
POSITIVA
17 I feel that this interface is
trustworthy.
Confianza Creo que esta explicación es
digna de confianza.
POSITIVA
Trust in
recommendations/
Li Chen
User Evaluation
Framework of
Recommender
Systems
18 I trust the recommended
products since they
were consistent with my
preferences.
Confianza Confío en la recomendación, ya
que según la explicación, es
coherente con mi perfil.
POSITIVA
Trust in
recommendations
/Li Chen
User Evaluation
Framework of
Recommender
Systems
19 I have no reason to trust
the source of the
recommendations.
Confianza Debido a la explicación, No
tengo ninguna razón para
confiar en el ítem recomendado.
NEGATIVA
2 /Bart
Trust in the
recommendation
source
20 I trust the people on
whom the
recommendations are
based.
Confianza Confío en las explicaciones
dadas a cada recomendación.
POSITIVA
3 /Bart
Trust in the
recommendation
source
142
B.3 Formato de invitación
El grupo de desarrollo CARS (Context Aware Recommender Systems) del
CENIDET, se encuentra trabajando en un sistema de recomendación contextual orientado a
organizaciones con el propósito de ayudar a los usuarios a identificar diferentes elementos
de interés (publicaciones-tesis, recursos tecnológicos, personas, eventos, servicios, lugares
y proyectos) en su entorno y de una forma personalizada.
(Para mayor información acerca de CENIDET visite http://www.cenidet.edu.mx).
Por este medio se le invita a participar en un estudio relacionado con el proyecto
antes mencionado, el cual consta de 2 etapas descritas a continuación:
Primera etapa: Registro del usuario (Tiempo aproximado 5 minutos), ingresar al sitio web
http://www.cenidet.edu.mx:8080/cars Una vez concluido su registro le haremos llegar un
aviso, en un periodo no mayor a 10 días, para solicitar su ingreso al sistema y realizar la
segunda etapa.
La información que nos proporcione referente a su perfil, solo servirá para fines de
investigación.
Segunda etapa:
Ingresar al sitio con su nombre de usuario y contraseña registrados, se le
presentarán una serie de recomendaciones y al terminar de visualizarlas, le pedimos que
conteste un breve cuestionario, concluyendo así el estudio.
Si conoce a alguien a quien podría interesarle, no dude en reenviar este correo a sus
conocidos del área de computación.Para cualquier duda o inquietud puede contactar con:
L.C.C. José Israel Galán Martínez
Estudiante de maestría
CENIDET: Sistemas Distribuidos
Tel: (777)3627775 Ext: 231
Dr. Juan Gabriel González Serna
Profesor Investigador del CENIDET
Líder Grupo CARS
Tel: (777)3627775 Ext: 311
¡Agradecemos de antemano su valiosa participación!
143
B.4 Formato de consentimiento de uso de datos
La participación en este estudio conducida por el CENIDET es estrictamente
voluntaria. Entiendo y doy mi consentimiento para usar los datos obtenidos por CENIDET.
Entiendo que la información requerida es para efectos de investigación únicamente y que
mi nombre e imagen, permanecerán confidenciales y no serán usados para ningún otro
propósito. Renunció a la propiedad los datos y entiendo que estos pueden ser reproducidos
y usados por CENIDET sin necesidad de otra autorización en el futuro.
Estoy de acuerdo en participar, acepto los términos y condiciones.
144
B.5 Concentrado de Resultados
Tabla B.6 Escenario 1: Interfaz Textual – Estudiantes Grupo1 Tipo Preg. P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Comprensión: 7 mínimo - 35 máximo
+ 1 5 5 5 4 5 5 5 4 5 5
+ 2 5 5 4 3 5 5 5 4 5 5
+ 3 4 5 3 4 4 5 5 3 5 5
+ 4 5 5 5 4 4 4 4 4 5 5
- 5 5 4 5 4 5 5 4 2 5 2
+ 6 5 5 4 4 5 4 5 4 5 5
+ 7 5 5 4 4 4 5 4 4 5 5
Total 34 34 30 27 32 33 32 25 35 32 31.4
% 97.14 97.14 85.71 77.14 91.43 94.29 91.43 71.43 100.00 91.43 89.71
Esfuerzo cognitivo: 7 mínimo - 35 máximo
+ 8 5 5 5 4 5 5 5 4 5 5
- 9 5 1 2 5 4 4 5 5 5 1
+ 10 4 5 3 4 4 5 5 4 4 5
- 11 4 1 4 3 5 5 5 5 5 5
- 12 5 4 5 4 5 5 2 5 5 5
+ 13 5 5 3 5 4 2 5 1 1 5
- 14 5 4 5 4 5 5 5 5 5 5
Total 33 25 27 29 32 31 32 29 30 31 29.9
% 94.29 71.43 77.14 82.86 91.43 88.57 91.43 82.86 85.71 88.57 85.43
Confianza: 6 mínimo - 30 máximo
+ 15 4 5 4 5 4 5 5 5 5 5
+ 16 5 5 4 4 4 5 5 5 5 5
+ 17 5 5 5 4 4 4 5 5 4 5
+ 18 5 5 4 4 4 4 5 5 4 5
- 19 5 5 5 4 5 5 5 1 5 5
+ 20 5 4 4 4 5 5 5 5 4 5
Total 29 29 26 25 26 28 30 26 27 30 27.6
% 82.86 82.86 74.29 71.43 74.29 80.00 85.71 74.29 77.14 85.71 92.00
Tabla B.7 Escenario 2: Interfaz Textual – Estudiantes Grupo 2 Tipo Preg. P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Comprensión: 7 mínimo - 35 máximo
+ 1 5 5 4 5 5 5 5 4 5 5
+ 2 5 5 5 5 5 5 5 4 4 5
+ 3 5 5 4 5 5 4 4 4 5 5
+ 4 5 5 5 4 5 5 5 4 5 5
- 5 5 5 2 5 5 5 5 2 5 5
+ 6 5 5 3 4 5 4 4 4 5 4
+ 7 5 5 4 4 5 4 4 4 5 4
Total 35 35 27 32 35 32 32 26 34 33 32.1
% 100.00 100.00 77.14 91.43 100.00 91.43 91.43 74.29 97.14 94.29 91.71
Esfuerzo cognitivo: 7 mínimo - 35 máximo
+ 8 4 5 4 4 5 4 4 4 5 4
- 9 1 5 4 2 4 5 5 2 5 5
+ 10 1 5 4 4 4 4 4 4 4 4
- 11 5 5 3 5 4 5 5 4 4 5
- 12 5 5 4 4 5 5 4 3 5 5
+ 13 5 5 3 4 2 1 4 2 1 5
- 14 5 5 5 4 4 5 5 3 5 5
Total 26.00 35.00 27.00 27.00 28.00 29.00 31.00 22.00 29.00 33.00 28.70
% 74.29 100.00 77.14 77.14 80.00 82.86 88.57 62.86 82.86 94.29 82.00
Confianza: 6 mínimo - 30 máximo
+ 15 4 4 4 3 4 4 4 4 5 5
+ 16 5 5 5 4 5 4 4 4 4 5
+ 17 5 5 5 3 4 4 5 4 3 5
+ 18 5 5 5 3 4 4 5 4 4 5
- 19 5 5 4 5 4 5 5 2 4 5
+ 20 4 5 5 3 4 4 5 4 4 5
Total 28.00 29.00 28.00 21.00 25.00 25.00 28.00 22.00 24.00 30.00 26.00
% 80.00 82.86 80.00 60.00 71.43 71.43 80.00 62.86 68.57 85.71 86.67
145
Tabla B.8 Escenario3: Interfaz Textual – Profesores/investigadores Tipo Preg. P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Comprensión: 7 mínimo - 35 máximo
+ 1 5 5 5 5 4 5 4 5 4 4
+ 2 4 5 4 4 5 5 4 4 5 5
+ 3 5 5 4 4 4 5 4 5 4 4
+ 4 5 4 4 5 4 5 4 4 4 5
- 5 1 5 1 5 3 5 5 5 3 4
+ 6 3 4 5 5 5 4 4 3 5 4
+ 7 5 4 5 5 4 5 5 4 5 4
Total 28 32 28 33 29 34 30 30 30 30 30.4
% 80.00 91.43 80.00 94.29 82.86 97.14 85.71 85.71 85.71 85.71 86.86
Esfuerzo cognitivo: 7 mínimo - 35 máximo
+ 8 1 4 5 4 4 4 5 4 4 4
- 9 1 5 1 4 4 5 5 5 5 4
+ 10 1 2 5 5 5 4 4 4 2 4
- 11 5 4 1 5 4 5 4 2 5 4
- 12 5 5 1 5 4 5 4 4 5 4
+ 13 5 2 5 2 4 4 4 2 2 4
- 14 1 5 1 4 5 5 5 4 4 4 Total 19 27 19 29 30 32 31 25 27 28 26.7
% 54.29 77.14 54.29 82.86 85.71 91.43 88.57 71.43 77.14 80.00 76.29
Confianza: 6 mínimo - 30 máximo
+ 15 5 4 5 5 5 5 4 4 5 4
+ 16 1 5 5 5 4 5 5 5 4 5
+ 17 5 5 5 5 4 5 4 4 4 5
+ 18 5 4 5 5 4 5 5 4 5 4
- 19 2 5 1 4 4 5 4 4 2 5
+ 20 5 5 5 4 4 5 5 4 3 4
Total 23 28 26 28 25 30 27 25 23 27 26.2
% 65.71 80.00 74.29 80.00 71.43 85.71 77.14 71.43 65.71 77.14 87.33
Tabla B.9 Escenario 4: Interfaz Textual – Empresarios/otros Tipo Preg. P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Comprensión: 7 mínimo - 35 máximo
+ 1 4 3 4 5 4 2 5 5 5 4
+ 2 4 3 4 4 4 3 3 4 5 5
+ 3 4 3 5 3 4 3 1 3 5 4
+ 4 4 2 4 3 3 2 2 3 3 4
- 5 5 2 4 4 3 3 1 3 3 5
+ 6 4 3 3 4 3 2 1 3 3 4
+ 7 4 3 4 4 3 4 4 4 5 4
Total 29 19 28 27 24 19 17 25 29 30 24.7
% 82.86 54.29 80.00 77.14 68.57 54.29 48.57 71.43 82.86 85.71 70.57
Esfuerzo cognitivo: 7 mínimo - 35 máximo
+ 8 4 3 4 4 3 3 3 3 5 4
- 9 5 3 4 3 2 2 5 3 1 5
+ 10 4 4 3 3 4 3 2 3 5 4
- 11 5 3 2 4 2 3 1 5 2 5
- 12 5 3 4 4 5 4 3 5 1 5
+ 13 4 4 4 4 4 2 4 5 3 4
- 14 5 3 4 4 4 3 1 1 3 5 Total 32 23 25 26 24 20 19 25 20 32 24.6
% 91.43 65.71 71.43 74.29 68.57 57.14 54.29 71.43 57.14 91.43 70.29
Confianza: 6 mínimo - 30 máximo
+ 15 4 4 4 3 3 3 2 3 5 4
+ 16 4 4 4 3 5 3 2 3 5 4
+ 17 4 4 4 3 5 3 3 3 5 4
+ 18 4 4 4 3 4 5 3 4 5 4
- 19 5 3 3 4 5 4 2 5 3 5
+ 20 4 4 3 4 4 4 2 3 4 4
Total 25 23 22 20 26 22 14 21 27 25 22.5
% 71.43 65.71 62.86 57.14 74.29 62.86 40.00 60.00 77.14 71.43 75.00
146
Interfaz Gráfica: Mapas Mentales
Tabla B.10 Interfaz gráfica mapa mental – Estudiantes Grupo1 Tipo Preg. P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Comprensión: 7 mínimo - 35 máximo
+ 1 3 4 4 5 4 4 4 4 5 5
+ 2 3 4 4 5 4 4 4 3 3 5
+ 3 3 4 4 5 5 4 4 4 4 4
+ 4 3 4 4 5 1 5 4 4 4 4
- 5 5 4 3 5 1 2 4 3 2 5
+ 6 4 4 3 5 4 5 4 4 4 5
+ 7 4 4 4 5 5 5 4 4 5 5
Total 25 28 26 35 24 29 28 26 27 33 28.1
% 71.43 80.00 74.29 100.00 68.57 82.86 80.00 74.29 77.14 94.29 80.29
Esfuerzo cognitivo: 7 mínimo - 35 máximo
+ 8 4 4 3 5 5 5 4 4 3 5
- 9 2 4 2 5 4 5 5 4 2 5
+ 10 4 3 3 3 3 5 4 4 3 5
- 11 5 4 2 3 2 2 5 2 2 5
- 12 5 4 3 5 5 3 5 3 4 3
+ 13 3 3 2 3 1 3 4 4 3 3
- 14 5 4 4 3 4 4 5 3 3 5
Total 28 26 19 27 24 27 32 24 20 31 25.8
% 80.00 74.29 54.29 77.14 68.57 77.14 91.43 68.57 57.14 88.57 73.71
Confianza: 6 mínimo - 30 máximo
+ 15 3 4 4 5 4 5 4 4 3 5
+ 16 4 4 3 3 5 5 4 4 2 5
+ 17 3 4 4 5 5 4 5 4 3 5
+ 18 4 3 2 5 5 5 5 4 3 5
- 19 4 3 3 1 5 5 5 2 4 5
+ 20 3 4 4 5 5 4 5 3 3 5
Total 21 22 20 24 29 28 28 21 18 30 24.1
% 60.00 62.86 57.14 68.57 82.86 80.00 80.00 60.00 51.43 85.71 80.33
Tabla B.11 Interfaz gráfica mapa mental – Estudiantes Grupo 2 Tipo Preg. P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Comprensión: 7 mínimo - 35 máximo
+ 1 5 5 4 4 4 4 4 5 5 5
+ 2 5 5 4 4 4 4 3 4 4 5
+ 3 5 5 4 4 4 5 5 5 4 5
+ 4 5 4 4 3 5 3 4 5 4 4
- 5 5 5 2 4 5 3 2 3 4 5
+ 6 5 5 4 4 5 4 3 5 3 5
+ 7 5 5 4 4 5 5 3 4 4 5
Total 35 34 26 27 32 28 24 31 28 34 29.9
% 100.00 97.14 74.29 77.14 91.43 80.00 68.57 88.57 80.00 97.14 85.43
Esfuerzo cognitivo: 7 mínimo - 35 máximo
+ 8 5 5 4 4 5 4 2 5 4 5
- 9 5 4 4 4 5 4 2 2 1 5
+ 10 5 3 3 4 5 4 3 5 2 4
- 11 5 3 4 2 1 4 2 1 3 4
- 12 5 4 4 5 1 4 4 2 2 4
+ 13 1 3 3 2 1 4 2 4 1 1
- 14 5 4 4 4 1 4 4 1 3 4
Total 31 26 26 25 19 28 19 20 16 27 23.7
% 88.57 74.29 74.29 71.43 54.29 80.00 54.29 57.14 45.71 77.14 67.71
Confianza: 6 mínimo - 30 máximo
+ 15 5 3 4 4 5 4 4 5 4 5
+ 16 5 4 4 3 5 4 4 5 4 5
+ 17 5 4 4 4 4 4 5 5 4 5
+ 18 3 3 4 3 5 5 5 5 4 5
- 19 5 1 4 4 5 5 4 1 5 5
+ 20 5 2 4 3 5 4 3 5 4 5
Total 28 17 24 21 29 26 25 26 25 30 25.1
% 80.00 48.57 68.57 60.00 82.86 74.29 71.43 74.29 71.43 85.71 83.67
147
Tabla B.12 Interfaz gráfica mapa mental – Profesores/investigadores Tipo Preg. P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Comprensión: 7 mínimo - 35 máximo
+ 1 5 5 4 4 4 4 5 4 5 3
+ 2 5 4 4 4 4 4 5 5 4 5
+ 3 5 4 5 4 4 4 5 5 4 4
+ 4 5 4 5 2 4 4 5 5 3 4
- 5 5 5 5 3 4 5 4 5 4 5
+ 6 5 4 5 2 4 4 5 5 4 4
+ 7 5 4 5 3 2 4 5 5 4 5
Total 35 30 33 22 26 29 34 34 28 30 30.1
% 100.00 85.71 94.29 62.86 74.29 82.86 97.14 97.14 80.00 85.71 86.00
Esfuerzo cognitivo: 7 mínimo - 35 máximo
+ 8 5 4 5 3 4 4 5 5 4 5
- 9 4 5 5 3 5 4 5 5 4 5
+ 10 1 5 5 3 3 4 3 5 4 4
- 11 5 5 1 2 2 2 3 4 2 5
- 12 5 5 5 2 5 5 5 4 5 5
+ 13 1 4 2 2 2 1 3 2 4 1
- 14 5 5 4 4 4 4 1 1 4 5 Total 26 33 27 19 25 24 25 26 27 30 26.2
% 74.29 94.29 77.14 54.29 71.43 68.57 71.43 74.29 77.14 85.71 74.86
Confianza: 6 mínimo - 30 máximo
+ 15 5 4 1 3 2 1 5 5 4 4
+ 16 5 3 5 3 2 4 5 4 3 5
+ 17 5 4 5 5 4 4 3 5 4 3
+ 18 4 5 5 3 4 4 5 4 5 5
- 19 2 5 1 4 2 1 4 5 4 5
+ 20 4 4 4 3 4 4 5 5 4 5
Total 25 25 21 21 18 18 27 28 24 27 23.4
% 71.43 71.43 60.00 60.00 51.43 51.43 77.14 80.00 68.57 77.14 78.00
Tabla B.13 Escenario 8: Interfaz gráfica mapa mental – Empresarios/otros Tipo Preg. P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Comprensión: 7 mínimo - 35 máximo
+ 1 4 4 5 4 5 4 4 4 2 4
+ 2 4 5 5 4 5 3 4 4 4 4
+ 3 3 4 5 3 5 4 3 4 2 4
+ 4 2 5 5 3 5 4 4 1 4 4
- 5 4 3 1 1 5 3 3 1 2 4
+ 6 3 4 5 4 5 4 5 5 5 4
+ 7 3 5 5 4 5 4 5 1 4 4
Total 23 30 31 23 35 26 28 20 23 28 26.7
% 65.71 85.71 88.57 65.71 100.00 74.29 80.00 57.14 65.71 80.00 76.29
Esfuerzo cognitivo: 7 mínimo - 35 máximo
+ 8 3 4 5 3 5 4 4 4 4 5
- 9 3 5 5 3 5 5 5 4 3 1
+ 10 3 4 4 3 5 4 3 4 2 4
- 11 1 5 5 2 5 5 5 5 4 2
- 12 3 5 5 2 5 3 5 5 5 4
+ 13 4 4 5 4 1 4 3 5 3 3
- 14 1 5 5 3 5 5 5 4 2 3 Total 18 32 34 20 31 30 30 31 23 22 27.1
% 51.43 91.43 97.14 57.14 88.57 85.71 85.71 88.57 65.71 62.86 77.43
Confianza: 6 mínimo - 30 máximo
+ 15 2 4 5 3 5 4 1 3 3 4
+ 16 3 4 5 4 5 4 4 5 2 4
+ 17 4 4 5 4 5 4 3 3 4 4
+ 18 3 4 5 4 5 4 4 5 4 4
- 19 3 5 5 3 5 2 5 5 5 3
+ 20 4 4 5 4 5 3 4 4 5 4
Total 19 25 30 22 30 21 21 25 23 23 23.9
% 54.29 71.43 85.71 62.86 85.71 60.00 60.00 71.43 65.71 65.71 79.67
148
Interfaz Gráfica: Mapas Conceptuales
Tabla B.14 Escenario 9: Interfaz gráfica mapa conceptual – Estudiantes Grupo1 Tipo Preg. P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Comprensión: 7 mínimo - 35 máximo
+ 1 5 5 4 5 5 4 5 5 4 5
+ 2 5 5 2 5 4 5 5 5 4 5
+ 3 4 4 2 4 3 4 5 4 3 5
+ 4 5 4 4 1 2 5 2 3 4 5
- 5 5 2 3 5 4 5 3 3 4 3
+ 6 5 4 5 3 3 5 4 4 4 5
+ 7 5 4 3 3 2 5 4 4 3 5
Total 34 28 23 26 23 33 28 28 26 33 28.2
% 97.14 80.00 65.71 74.29 65.71 94.29 80.00 80.00 74.29 94.29 80.57
Esfuerzo cognitivo: 7 mínimo - 35 máximo
+ 8 5 5 3 4 2 4 4 4 2 4
- 9 5 1 4 2 3 1 2 2 3 2
+ 10 4 4 3 2 5 4 1 4 4 4
- 11 4 1 1 5 1 4 2 5 2 3
- 12 5 3 5 1 3 5 5 5 3 4
+ 13 5 5 3 4 5 5 4 2 5 3
- 14 5 4 5 2 3 5 5 5 2 4
Total 33 23 24 20 22 28 23 27 21 24 24.5
% 94.29 65.71 68.57 57.14 62.86 80.00 65.71 77.14 60.00 68.57 70.00
Confianza: 6 mínimo - 30 máximo
+ 15 4 3 3 2 4 5 1 4 3 4
+ 16 5 3 3 3 5 4 2 4 4 3
+ 17 5 4 4 3 5 5 4 4 4 5
+ 18 5 2 4 4 5 5 4 4 4 2
- 19 5 4 2 4 5 5 4 4 4 5
+ 20 5 4 4 3 3 5 4 3 3 4
Total 29 20 20 19 27 29 19 23 22 23 23.1
% 82.86 57.14 57.14 54.29 77.14 82.86 54.29 65.71 62.86 65.71 77.00
Tabla B.15 Escenario 10: Interfaz gráfica mapa conceptual – Estudiantes Grupo 2 Tipo Preg. P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Comprensión: 7 mínimo - 35 máximo
+ 1 2 4 5 5 4 4 4 4 4 4
+ 2 2 4 5 5 4 5 4 4 4 4
+ 3 4 4 5 5 5 5 4 3 4 4
+ 4 4 5 5 5 5 3 4 4 5 3
- 5 2 1 5 4 4 3 4 4 5 3
+ 6 2 3 5 4 4 4 4 2 4 5
+ 7 2 4 5 5 4 3 4 2 5 4
Total 18 25 35 33 30 27 28 23 31 27 27.7
% 51.4 71.4 100.0 94.3 85.7 77.1 80.0 65.7 88.6 77.1 79.1
Esfuerzo cognitivo: 7 mínimo - 35 máximo
+ 8 3 4 5 4 4 4 4 2 5 4
- 9 1 2 5 2 5 5 4 4 4 3
+ 10 3 5 5 5 4 3 4 2 4 4
- 11 1 5 5 4 5 5 4 1 5 4
- 12 4 5 5 5 5 5 4 3 5 5
+ 13 4 2 5 3 1 4 4 5 5 4
- 14 4 5 5 1 5 5 4 2 5 5
Total 20 28 35 24 29 31 28 19 33 29 27.6
% 57.14 80.00 100.00 68.57 82.86 88.57 80.00 54.29 94.29 82.86 78.86
Confianza: 6 mínimo - 30 máximo
+ 15 4 5 5 5 4 5 4 1 4 3
+ 16 4 5 5 5 5 3 4 3 5 4
+ 17 4 3 5 5 4 4 4 3 5 5
+ 18 4 3 5 5 5 4 4 3 5 4
- 19 4 5 5 5 2 5 4 4 5 5
+ 20 4 3 5 5 5 4 4 3 5 4
Total 24 24 30 30 25 25 24 17 29 25 25.3
% 68.57 68.57 85.71 85.71 71.43 71.43 68.57 48.57 82.86 71.43 84.33
149
Tabla B.16 Escenario 7: Interfaz gráfica mapa conceptual – Profesores/investigadores Tipo Preg. P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Comprensión: 7 mínimo - 35 máximo
+ 1 2 4 2 1 3 2 4 5 4 4
+ 2 3 4 3 1 4 2 4 5 4 4
+ 3 3 4 2 2 3 2 3 5 4 4
+ 4 4 3 3 2 4 3 4 5 4 3
- 5 5 4 4 4 4 5 5 5 3 1
+ 6 3 3 2 2 3 2 4 5 4 5
+ 7 4 2 1 2 2 2 3 5 4 4
Total 24 24 17 14 23 18 27 35 27 25 23.4
% 68.57 68.57 48.57 40.00 65.71 51.43 77.14 100.00 77.14 71.43 66.86
Esfuerzo cognitivo: 7 mínimo - 35 máximo
+ 8 3 3 1 2 3 4 5 5 4 1
- 9 3 3 5 4 4 5 4 1 1 3
+ 10 3 3 3 1 2 4 4 5 4 4
- 11 4 1 4 1 1 1 4 5 2 5
- 12 4 4 2 3 3 4 5 5 4 2
+ 13 2 3 2 5 4 4 4 2 5 2
- 14 4 4 3 2 2 3 5 4 4 4
Total 23 21 20 18 19 25 31 27 24 21 22.9
% 65.71 60.00 57.14 51.43 54.29 71.43 88.57 77.14 68.57 60.00 65.43
Confianza: 6 mínimo - 30 máximo
+ 15 1 1 2 1 1 1 2 4 2 4
+ 16 4 3 1 2 2 2 3 4 3 5
+ 17 4 4 3 4 4 4 5 4 4 5
+ 18 4 4 2 3 4 4 5 4 2 5
- 19 3 2 5 3 1 2 5 4 4 5
+ 20 4 4 2 2 2 3 4 4 4 5
Total 20 18 15 15 14 16 24 24 19 29 19.4
% 57.14 51.43 42.86 42.86 40.00 45.71 68.57 68.57 54.29 82.86 64.67
Tabla B.17 Escenario 8: Interfaz gráfica mapa conceptual – Empresarios/otros Tipo Preg. P1 P2 P3 P4 P5 P6 P7 P8 P9 P10
Comprensión: 7 mínimo - 35 máximo
+ 1 4 5 4 3 3 5 5 3 4 4
+ 2 4 4 4 4 3 4 5 2 5 3
+ 3 3 4 4 4 3 5 4 5 4 3
+ 4 3 4 4 4 2 4 5 4 5 3
- 5 3 5 2 5 5 5 4 2 5 3
+ 6 3 4 4 5 2 5 4 3 5 4
+ 7 4 4 4 5 3 5 4 3 5 3
Total 24 30 26 30 21 33 31 22 33 23 27.3
% 68.57 85.71 74.29 85.71 60.00 94.29 88.57 62.86 94.29 65.71 78.00
Esfuerzo cognitivo: 7 mínimo - 35 máximo
+ 8 5 4 4 4 2 5 5 3 5 4
- 9 4 4 2 5 4 5 2 3 5 3
+ 10 2 4 4 3 2 5 4 3 5 3
- 11 1 4 2 3 4 5 3 4 5 2
- 12 4 4 5 5 4 5 2 4 5 3
+ 13 3 4 3 4 2 1 3 2 5 2
- 14 3 4 3 4 3 5 3 3 5 3 Total 22 28 23 28 21 31 22 22 35 20 25.2
% 62.86 80.00 65.71 80.00 60.00 88.57 62.86 62.86 100.00 57.14 72.00
Confianza: 6 mínimo - 30 máximo
+ 15 2 4 3 4 2 3 4 2 5 3
+ 16 3 4 3 4 3 5 3 5 5 3
+ 17 4 4 4 5 2 5 4 5 5 3
+ 18 4 5 4 5 2 5 3 4 5 3
- 19 4 4 2 5 3 5 4 3 5 3
+ 20 4 4 4 5 2 5 4 3 5 3
Total 21 25 20 28 14 28 22 22 30 18 22.8
% 60.00 71.43 57.14 80.00 40.00 80.00 62.86 62.86 85.71 51.43 76.00
150