Sistema de recomendación de contenido de E-learning basado en ontologías para abordar el problema puro de arranque en frío

Los sistemas de recomendación de E-learning están ganando importancia en la actualidad debido a su capacidad para mejorar la experiencia de aprendizaje al proporcionar servicios a medida basados en las preferencias del aprendiz. Un Entorno de Aprendizaje Personalizado (PLE) que se adapta automáticamente a las características del aprendiz, como los estilos de aprendizaje y el nivel de conocimiento, puede recomendar recursos de aprendizaje apropiados que favorezcan el proceso de aprendizaje y mejoren los resultados de aprendizaje. El problema puro de arranque en frío es un tema relevante en los PLE, que surge debido a la falta de información previa sobre el nuevo aprendiz en el PLE para crear recomendaciones adecuadas. Este artículo introduce un marco semántico basado en ontología para abordar el problema puro de arranque en frío en los recomendadores de contenido. La ontología encapsula el conocimiento del dominio sobre los aprendices, así como los Objetos de Aprendizaje (LOs). El modelo semántico que construimos ha sido probado con diferentes combinaciones de los parámetros clave del aprendiz, como el estilo de aprendizaje, el nivel de conocimiento y el conocimiento previo. El marco propuesto utiliza estos parámetros para construir grupos naturales de aprendices a partir de la ontología del aprendiz utilizando consultas SPARQL. La ontología contiene datos de 480 aprendices, 468 objetos de aprendizaje anotados con 5,600 calificaciones de aprendices. Se utiliza un algoritmo de agrupamiento k-medias multivariado, una técnica de aprendizaje automático no supervisado para agrupar datos similares, para evaluar la precisión del cálculo de similitud del aprendiz. La satisfacción del aprendiz lograda con el modelo propuesto se mide en función de las calificaciones dadas por los 40 participantes de los experimentos. Desde la perspectiva de la evaluación, es evidente que el 79% de los aprendices están satisfechos con las recomendaciones generadas por el modelo propuesto en condiciones de arranque en frío puro.