Sistemas recomendadores como herramienta en la labor docente: una revisión sistemática

Mariana Torres-Herrera; German Cuaya-Simbro; Ciro  Canales-Castillo

doi:10.29057/icbi.v11i22.11032

Mariana Torres-Herrera Tecnológico Nacional de México / ITS del Oriente del Estado de Hidalgo (ITESA) https://orcid.org/0009-0009-5442-4945
German Cuaya-Simbro Tecnológico Nacional de México / ITS del Oriente del Estado de Hidalgo https://orcid.org/0000-0001-6303-154X
Ciro Canales-Castillo Tecnológico Nacional de México / ITS del Oriente del Estado de Hidalgo https://orcid.org/0009-0000-8352-726X

DOI: https://doi.org/10.29057/icbi.v11i22.11032

Palabras clave: Mejora educativa, Herramientas tecnológicas, Aprendizaje automático, Meta-análisis semiautomático

Resumen

Esta revisión sistemática examina el estado actual de los sistemas recomendadores aplicados en la labor educativa. La investigación se centra en las tendencias de desarrollo de sistemas recomendadores, la relevancia y áreas de oportunidad, así como la importancia de profundizar en estos temas en futuras investigaciones. Los resultados muestran un creciente interés en el campo, específicamente en países como Estados Unidos, China y España, en donde su sistema educativo es de calidad, pero no así en América Latina. Se identifica que existe un gran interés, en general, por el desarrollo y uso de herramientas novedosas, que permitan mejorar los sistemas de educación, pero la mayoría de ellas no a través del uso de las nuevas tecnologías, como los sistemas de recomendación, además muchas de las herramientas reportadas en los manuscritos revisados se centran en el apoyo a los estudiantes y solo algunas de ellas en el apoyo a la labor docente, lo cual da evidencia que existe un área de oportunidad para el desarrollo de herramientas que apoyen a los docente a través del uso de nuevas tecnologías. La metodología que se utilizo fue, PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), con la cual se obtuvieron 121 manuscritos relacionados con el tema y los cuales fueron analizados de manera semiautomática a través del uso de Python.

Descargas

La descarga de datos todavía no está disponible.

Citas

¿Qué es Python? - Explicación del lenguaje Python - AWS. (2023). Amazon AWS. https://aws.amazon.com/es/what-is/python/

Abdi, S., Khosravi, H., Sadiq, S., & Gasevic, D. (2020, March). Complementing educational recommender systems with open learner models. In Proceedings of the tenth international conference on learning analytics & knowledge (pp. 360-365).

Altomari, N., & Straniero, A. M. (2023). A systematic review on educational robotics in Special Education. Q-TIMES WEBMAGAZINE, 2(1), 398-413.

Baidada, M., Mansouri, K., & Poirier, F. (2022). Hybrid Filtering Recommendation System in an Educational Context: Experiment in Higher Education in Morocco. International Journal of Web-Based Learning and Teaching Technologies (IJWLTT), 17(1), 1-17.

da Silva, F. L., Slodkowski, B. K., da Silva, K. K. A., & Cazella, S. C. (2023). A systematic literature review on educational recommender systems for teaching and learning: research trends, limitations and opportunities. Education and Information Technologies, 28(3), 3289-3328.

Dhahri, M., & Khribi, M. K. (2021). A Review of Educational Recommender Systems for Teachers. International Association for Development of the Information Society.

Felfernig, A., Friedrich, G., Jannach, D., & Zanker, M. (2018). An introduction to recommender systems. In Handbook of digital humanities (pp. 179-203). Springer.

Gonçalves, A. L., Carlos, L. M., da Silva, J. B., & Alves, G. R. (2018, June). Personalized Student Assessment based on Learning Analytics and Recommender Systems. In 2018 3rd International Conference of the Portuguese Society for Engineering Education (CISPEE) (pp. 1-7). IEEE.

Hassan, T., Edmison, B., Stelter, T., & McCrickard, D. S. (2021, June). Learning to trust: Understanding editorial authority and trust in recommender systems for education. In Proceedings of the 29th ACM Conference on User Modeling, Adaptation and Personalization (pp. 24-32).

Huynh-Ly, T. N., Le, H. T., & Nguyen, T. N. (2020). Integrating courses’ relationship into predicting student performance. International Journal, 9(4).

Kaliisa, R., & Dolonen, J. A. (2022). CADA: a teacher-facing learning analytics dashboard to foster teachers’ awareness of students’ participation and discourse patterns in online discussions. Technology, Knowledge and Learning, 1-22.

Karga, S., & Satratzemi, M. (2019). Using explanations for recommender systems in learning design settings to enhance teachers’ acceptance and perceived experience. Education and Information Technologies, 24, 2953-2974.

Laddha, M. D., Lokare, V. T., Kiwelekar, A. W., & Netak, L. D. (2021). Classifications of the Summative Assessment for Revised Blooms Taxonomy by using Deep Learning. arXiv preprint arXiv:2104.08819.

Linden, G., Smith, B., & York, J. (2003). Amazon.com recommendations: item-to-item collaborative filtering. IEEE Internet Computing, 7(1), 76-80.

Laddha, M. D., Lokare, V. T., Kiwelekar, A. W., & Netak, L. D. (2021). Classifications of the Summative Assessment for Revised Blooms Taxonomy by using Deep Learning. arXiv preprint arXiv:2104.08819.

Lops, P., de Gemmis, M., & Semeraro, G. (2011). Content-based recommender systems: State of the art and trends. In Recommender systems handbook (pp. 73-105). Springer.

Machiels, B., Vanderberg, J. M., & Yarikoptic. (2021, Mayo 27). citeproc-py • PyPI. PyPI. Retrieved Abril, 2023, from https://pypi.org/project/citeproc-py/#description

Manouselis, N., Drachsler, H., Verbert, K., & Duval, E. (2012). Recommender systems for learning. Springer Science & Business Media.

Moher, D., Liberati, A., Tetzlaff, J., & Altman, D. G. (2009, Julio 21). Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. PLoS Med, 6(7). https://doi.org/10.1371/journal.pmed.1000097

Moubayed, A., Injadat, M., Nassif, A. B., Lutfiyya, H., & Shami, A. (2018). E-learning: Challenges and research opportunities using machine learning & data analytics. IEEE Access, 6, 39117-39138.

Raj, N. S., & Renumol, V. G. (2022). A systematic literature review on adaptive content recommenders in personalized learning environments from 2015 to 2020. Journal of Computers in Education, 9(1), 113-148.

Ricci, F., Rokach, L., & Shapira, B. (2011). Introduction to recommender systems handbook. In Recommender systems handbook (pp. 1-35). Springer.

Silva López, R. B., & Méndez Gurrola, I. I. (2022). Intelligent System for Customizing Evaluation Activities Implemented in Virtual Learning Environments: Experiments and Results. Computacion y sistemas, 26(1), 473-484.

Su, X., & Khoshgoftaar, T. M. (2009). A survey of collaborative filtering techniques. Advances in artificial intelligence, 2009.

The Pandas Development Team. (2023, April 3). pandas • PyPI. PyPI. Retrieved April, 2023, from https://pypi.org/project/pandas/#description

Tolety, V. B. P., & Prasad, E. V. (2022). Hybrid content and collaborative filtering based recommendation system for e-learning platforms. Bulletin of Electrical Engineering and Informatics, 11(3), 1543-1549.

Vesin, B., Klašnja-Milićević, A., Ivanović, M., & Budimac, Z. (2013). Applying recommender systems and adaptive hypermedia for e-learning personalization. Computing and informatics, 32(3), 629-659.

Wang, X., Zhou, C., & Xu, X. (2019). Application of C4. 5 decision tree for scholarship evaluations. Procedia Computer Science, 151, 179-184.

Yera Toledo, R., Caballero Mota, Y., & Martínez, L. (2018, April). A recommender system for programming online judges using fuzzy information modeling. In Informatics (Vol. 5, No. 2, p. 17). MDPI.

Zheng, Y. (2019, July). Multi-stakeholder personalized learning with preference corrections. In 2019 IEEE 19th International Conference on Advanced Learning Technologies (ICALT) (Vol. 2161, pp. 66-70). IEEE.

Zhang, S., Yao, L., Sun, A., & Tay, Y. (2019). Deep learning based recommender system: A survey and new perspectives. ACM Computing Surveys (CSUR), 52(1), 1-38.