Catálogo de publicaciones

La Informática es una disciplina científica joven que se aplica a otras áreas de conocimiento. Es así como esta tesis presenta una investigación realizada en el campo de las tecnologías informáticas aplicadas a la Educación. Aborda como situación problemática la inclusión de las tecnologías móviles en el aprendizaje, fenómeno denominado como mobile learning o m-learning. La principal contribución consiste en la propuesta de un marco, MADE mlearn, que permite analizar, diseñar y evaluar experiencias de m learning, desde un enfoque ecológico o sistémico. Considera tanto aspectos estructurales como procedimentales. Desde lo estructural, está compuesto por una serie de subcaracterísticas pedagógicas, tecnológicas y socio-culturales, agrupadas en características, categorías y ejes. Desde lo procedimental, define cómo se deben realizar los procesos de análisis, diseño y evaluación de experiencias, cuando se usa este marco. Como parte del proceso de evaluación propuesto por MADE mlearn, se desarrolló una aplicación web, MADE mlearn App, que automatiza y soporta dicho proceso y que también forma parte de los aportes de esta tesis. Por otra parte, se ha realizado una profunda revisión bibliográfica y de antecedentes en la temática. A partir de esta revisión, en la tesis se propone una conceptualización propia del m learning basada en la teoría de la actividad, la teoría de la conversación (interacción) y en sus beneficios, relacionados con la contextualización del aprendizaje y con la vida cotidiana. Al mismo tiempo, como parte del estado del arte, se ha abordado una revisión de los principales aspectos vinculados con la Computación Móvil, que permitieron determinar características tecnológicas de MADE mlearn y fueron fundamentales para el desarrollo de aplicaciones móviles que formaron parte de los desafíos de este trabajo. MADE mlearn ha sido construido bajo la consideración de los aspectos teóricos abordados, de un relevamiento de contexto realizado en el Noroeste Argentino y de los antecedentes de prácticas implementadas en diversos niveles educativos, tanto en el ámbito nacional como internacional. MADE mlearn fue evaluado en sus distintas funcionalidades: a) en cuanto al análisis, se aplicó el proceso propuesto para analizar diferentes prácticas ya implementadas en otros contextos; b) en cuanto al diseño, se utilizó MADE mlearn para diseñar una práctica de m learning colaborativo (que involucró el desarrollo de la aplicación Educ Mobile) implementada en varias instancias, se analizaron resultados con varias técnicas cualitativas; c) en cuanto al rol evaluador del marco, fue validado a través de la técnica de juicio de expertos, instrumentado de manera tal que cada experto debía evaluar una práctica usando el proceso propuesto –automatizado en MADE-mlearn App. En la discusión se abordan diversos hallazgos (beneficios y falencias) obtenidos en los procesos de validación. Se concluye que MADE mlearn es un marco conceptual robusto que contribuye al área de m learning, ya que permite guiar de manera eficaz el análisis, diseño y evaluación de experiencias de m learning. Asimismo, su estructura puede ser mejorada en función de los aspectos surgidos de la discusión.

Los Sistemas de Recomendación han sido utilizados para generar recomendaciones a individuos en múltiples dominios, tales como: comercio electrónico, educación, películas, turismo, música. Sin embargo, en algunos de estos dominios el sujeto al cual se le realiza la recomendación no es un individuo sino un grupo de sujetos. Esto ha motivado el surgimiento de los Sistemas de Recomendación Grupales (SRG), los cuales conociendo quiénes son los miembros del grupo y sus perfiles de usuario (que contienen información relativa a sus intereses y otros datos relevantes) apuntan a generar recomendaciones que satisfagan al grupo como un todo. Los enfoques de SRG más extendidos hacen uso de técnicas de agregación (por ejemplo, el promedio o la minimización de miseria) para estimar las preferencias grupales, el perfil grupal, o para generar una recomendación grupal mediante la combinación de recomendaciones generadas para cada miembro del grupo. A pesar de que los enfoques tradicionales han sido (y son) utilizados en muchos dominios, las limitaciones de las técnicas de agregación hacen que, en muchos casos, las recomendaciones generadas no logren satisfacer a todos los miembros del grupo de forma uniforme. Adicionalmente, muchas de esas técnicas de agregación no permiten modelar aspectos vinculados a los procesos de toma de decisiones de los grupos ni a características de cada individuo, lo que reduce el nivel de personalización de la recomendación generada. Por otro lado, son pocos los SRG que proveen explicaciones para sus recomendaciones, algo que es importante si se busca maximizar las chances de que los grupos acepten las recomendaciones que recibieron. Teniendo en cuenta que, cuando un grupo de personas debe elegir un ítem, sus miembros generalmente discuten y analizan las opciones disponibles con el objetivo de alcanzar un consenso, la hipótesis de trabajo es que un enfoque de recomendación que aplique una estrategia similar puede generar recomendaciones potencialmente mejores que las de los enfoques utilizados tradicionalmente. En torno a esta idea, en esta tesis se propone MAGReS, un enfoque que hace uso de un Sistema Multiagente (SMA) para generar recomendaciones a grupos y proveer explicaciones. En MAGReS, cada miembro del grupo es representado por un agente inteligente (parte del SMA) que conoce sus intereses y se comporta de acuerdo a un conjunto de configuraciones elegidas por su usuario. Los agentes participan en un proceso de negociación cooperativo en el cuál deciden acerca de qué ítem debe recomendarse al grupo, y en base a información capturada durante dicho proceso se construyen explicaciones para las recomendaciones generadas.Las recomendaciones generadas por MAGReS fueron evaluadas en dos dominios: películas y puntos de interés (POI), con resultados satisfactorios. En las evaluaciones se comparó a MAGReS contra enfoques tradicionales y se encontró evidencia de que las recomendaciones generadas por MAGReS superan a las de dichos enfoques puesto que satisfacen a los miembros del grupo no sólo en mayor grado sino que también más uniformemente. Las explicaciones, por otro lado, fueron evaluadas a través de un experimento con usuarios reales. En base a las observaciones realizadas en dicho experimento fue posible confirmar que las explicaciones generadas por MAGReS, a pesar de ser simples, son de utilidad para los usuarios puesto que ayudan a que tengan en cuenta recomendaciones al grupo que de otra forma hubiesen ignorado.