Metodología para la Generación de Explicaciones para Sistemas de Recomendación Sensibles al Contexto

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 6.12 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 6.17 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 6.21Escenario 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


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.


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


5

Fig. 1.3 Modelado multidimensional de la base de hechos


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,


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:


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.


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)


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


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


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.


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


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.


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


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)


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.


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)


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.


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)


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


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


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


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


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)


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


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).


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.


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).


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).


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.


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


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.


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.


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.


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.


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.


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.


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


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


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.


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


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.


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


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


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,


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)


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)


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).


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

http://www.amazon.com/


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

https://www.facebook.com/

http://www.myproductadvisor.com/


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)


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)


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)


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)


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).


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).


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


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


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).


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.


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)


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.


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)


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.


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


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)


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


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:


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.


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.


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.


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


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.


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.


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


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”.


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


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


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


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


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”,


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”,


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.


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


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


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


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


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


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


96

Fig. 6.3 Ejemplo de interacción del usuario con las explicaciones

Fig. 6.4 Ejemplo de evaluación de las explicaciones en el sistema


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


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


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


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.


TXT – EG2 Comprensión Esfuerzo Confianza


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


91.7182.00 86.67

0

20

40

60

80

100


Po

rcen

taje



Fig. 6.6 Texto: Porcentaje obtenido estudiantes G1

Fig. 6.7 Texto: Porcentaje obtenido estudiantes G2


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



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



Porcentaje 70.57 70.29 75.00

70.57 70.29 75.00

0

20

40

60

80

100


Po

rcen

taje



86.8676.29

87.33

0

20

40

60

80

100


Po

rcen

taje



Fig. 6.9 Texto: Porcentaje obtenido Empresarios

Fig. 6.8Texto: Porcentaje obtenido Profesores


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


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


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


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.


MM - EG1 Comprensión Esfuerzo Confianza



Porcentaje 80.29 73.71 80.33


estudiantes obtuvo un 85.43% de comprensión, 76.29% de esfuerzo cognitivo y un 87.33%

de confianza.


MM – EG2 Comprensión Esfuerzo Confianza



Porcentaje 85.43 67.71 83.67

85.43

67.7183.67

0

20

40

60

80

100


Po

rcen

taje



80.29 73.71 80.33

0

20

40

60

80

100


Po

rcen

taje



Fig. 6.12 Mapa Mental: Porcentaje obtenido estudiantes G1

Fig. 6.13Mapa Mental: Porcentaje obtenido estudiantes G2


104


profesores obtuvo un 86% de comprensión, 74.86% de esfuerzo cognitivo y un 78% de

confianza.


MM - PRO Comprensión Esfuerzo Confianza



Porcentaje 86.00 74.86 78.00


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



Porcentaje 76.29 77.43 79.67

86.0074.86 78.00

0

20

40

60

80

100


Po

rcen

taje



76.29 77.43 79.67

0

20

40

60

80

100


Po

rcen

taje



Fig. 6.14 Mapa Mental: Porcentaje obtenido profesores

Fig. 6.15 Mapa Mental: Porcentaje obtenido empresarios


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


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


MM - EG1 MM - EG2 MM - PRO MM - EMP


mentales, por tipo de usuario

Fig. 6.17 Mapas Mentales: Comparación de resultados entre tipos de usuario


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.


MC - EG1 Comprensión Esfuerzo Confianza



Porcentaje 80.57 70.00 77.00


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



Porcentaje 79.14 78.86 84.33

80.5770.00

77.00

0

20

40

60

80

100


Po

rcen

taje



79.14 78.86 84.33

0

20

40

60

80

100


Po

rcen

taje



Fig. 6.18 Mapa Conceptual: Porcentaje obtenido

estudiantes G1

Fig. 6.19 Mapa Conceptual: Porcentaje obtenido

estudiantes G2


107


grupo de profesores obtuvo un 66.86% de comprensión, 65.43% de esfuerzo cognitivo y un

64.67% de confianza.


MC - PRO Comprensión Esfuerzo Confianza



Porcentaje 66.86 65.43 64.67


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



Porcentaje 78.00 72.00 76.00

66.86 65.43 64.67

0

20

40

60

80

100


Po

rcen

taje



78.00 72.00 76.00

0

20

40

60

80

100


Po

rcen

taje



Fig. 6.20 Mapa Conceptual: Porcentaje obtenido profesores

Fig. 6.21 Conceptual: Porcentaje obtenido empresarios


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


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


Conceptual: Comparacion de resultados entre tipos de usuario

MC - EG1 MC - EG2 MC - PRO MC - EMP


conceptuales, por tipo de usuario

Fig. 6.23 Mapas Conceptuales: Comparación de resultados entre tipos de usuario


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


Texto Mapa Mental Mapa Conceptual

Fig. 6.24 Resultados por tipo de interfaz explicativa

Fig. 6.25 Texto: Comparación entre los grupos de estudiantes


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


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


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


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


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


Porcentaje 86.86% 76.29% 87.33%

Empresario/

Otros


Porcentaje 70.57% 70.29% 75.00%

Tabla 6.30 Concentrado de resultados de las explicaciones gráficas de mapas mentales



Estudiante

G1


Porcentaje 80.29% 73.71 80.33%

Estudiante

G2


Porcentaje 85.43% 67.71 83.67%

Profesor/

Investigador


Porcentaje 86.00% 74.86 78.00%

Empresario/

Otros


Porcentaje 76.29% 77.43 79.67%

Tabla 6.31 Concentrado de resultados de las explicaciones gráficas mediante mapas conceptuales



Estudiante

G1


Porcentaje 80.57% 70.00% 77.00%

Estudiante

G2


Porcentaje 79.14% 78.86% 84.33%

Profesor/

Investigador


Porcentaje 66.86% 65.43% 64.67%

Empresario/

Otros


Porcentaje 78.00% 72.00% 76.00%


112

Tabla 6.32 Resultados generales por tipo de interfaz explicativa


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:


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


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),


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:


[este/esta] [tipo_item], [marcador_linguistico] usuarios quienes [accion]

[el/la] [ítem_visitado], también [accion] [el/la] [ítem_recomendado]

• Basada en Usuarios


[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


[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


[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


[nombre_lugar]: nombre del lugar recomendado.

[tipo_lugar] : obtenerlo del nombre.

[descripción_lugar]: vector de palabras contenidas en la descripción del lugar; que


[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];


[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


o availableFor domain Event

o condition domain Event o descriptionEvent domain Event o eventName domain Event o purpose domain Event


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


[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


[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] |


(el cual/los cuales) (le/te) han interesado anteriormente.


[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


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


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


o component_of range Resource o has_resource range Resource o is_alternative_resource_of range Resource o use_with range Resource


[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].


[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


o availableFor domain Service o description domain Service o name domain Service


o hasAssociatedKnowledgeDomain domain Service o offerTo domain Service o orientedTo domain Service o referencedInKO domain Service


o isNearOf range Service

o isRecommendableFor range Service o serves range Service


[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



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] |


lo cual (le/te) ha interesado anteriormente.


[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


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


o hasAccessTo range Project o isNearOf range Project o isRecommendableFor range Project o participatesIn range Project o participatesInA range Project o worksAt range Project


[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] |


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.


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



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



Lugar Laboratorio

Evento Admisión/resultados

Servicio Curso

Evento Conferencia

Profesor

Tipo ítem ítem

Servicio Curso

Servicio Vinculación

Evento Conferencia

Persona Profesor

Persona Profesor



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

[email protected]

Tel: (777)3627775 Ext: 231

Dr. Juan Gabriel González Serna

Profesor Investigador del CENIDET

Líder Grupo CARS

[email protected]

Tel: (777)3627775 Ext: 311

¡Agradecemos de antemano su valiosa participación!

mailto:[email protected]

mailto:[email protected]

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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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


+ 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