Presentación

Tu plataforma de aprendizaje incorpora un motor de recomendaciones impulsado por IA que se encarga de generar diferentes tipos de sugerencias personalizadas. Tienes más información sobre el papel que juegan las sugerencias en tu plataforma de aprendizaje en el artículo sobre el tema que encontrarás en la Base de conocimiento (sección Sugerencias personalizadas). 

A lo largo de este artículo se ofrece una descripción general de los principios generales y las técnicas que emplea el motor de recomendaciones para calcular y facilitar dichas sugerencias, así como de la información relativa a los alumnos y a los materiales de formación de la que se sirve actualmente.

Sugerencias basadas en el historial

Nuestras sugerencias personalizadas se derivan del análisis del historial de los alumnos en la plataforma de aprendizaje. Es decir, la principal fuente de información para el motor de recomendaciones es la secuencia acumulativa de interacciones que cada alumno haya tenido en la plataforma de aprendizaje con los diversos materiales de formación. 

En concreto, tenemos en cuenta las siguientes interacciones para nuestro motor de recomendaciones:

• La finalización de los cursos (en el caso de los cursos formales).
• Las veces que se ha accedido a un activo, la calificación de un activo y las invitaciones a otros alumnos para ver dicho activo (en el caso de activos informales).

El motor de recomendaciones utiliza el historial de interacciones para construir una gran matriz de alumnos y contenido. Aquí debajo tienes una vista intuitiva de dicha matriz.

A partir de esta matriz, el sistema de recomendaciones es capaz de generar —mediante un algoritmo de factorización matricial ampliamente utilizado— un espacio métrico multidimensional en el que los usuarios y los contenidos se incorporan al mismo sistema de coordenadas. Más abajo tienes una representación del espacio métrico del que hablamos.

Nota: Hemos presentado un espacio métrico bidimensional a modo de ejemplo, pero en realidad el espacio métrico tiene muchísimas más dimensiones.

La ventaja de un espacio métrico de este tipo es que podemos calcular la distancia o la proximidad entre los usuarios y los contenidos; en otras palabras: podemos saber qué usuarios están cerca de determinados contenidos.

La interpretación de la proximidad puede ser muy útil. Por ejemplo, si el usuario U está cerca del contenido C en su espacio métrico, esto significa que otros usuarios que tienen un historial de interacciones similar al de U han accedido al contenido C. 

En esto se basan nuestras sugerencias personalizadas: el motor de recomendaciones calcula las distancias entre los usuarios y el contenido incrustado en el espacio métrico, de acuerdo con el algoritmo de factorización de la matriz, y extrae aquellos contenidos que están más cerca de un usuario en particular, ya que son los que con más probabilidad interesen a dicho usuario.

También se tienen en cuenta otros factores: obviamente, no se sugieren contenidos que el usuario ya haya visto. Además, solo se sugieren aquellos contenidos a los que el usuario pueda acceder, de manera que se respeten las reglas de visibilidad de los materiales didácticos establecidas en tu plataforma de aprendizaje.

Sugerencias contextualizadas

El motor de recomendaciones se sirve, además, de la proximidad entre diferentes contenidos para contextualizar las sugerencias que se generan para un usuario determinado (el usuario U). El sistema toma nota de los últimos contenidos (contenido C) a los que ha accedido el usuario U —o a los que esté accediendo en ese mismo momento— y calcula qué otros contenidos son los más cercanos a C en ese espacio métrico. Ese contenido formará parte de las sugerencias, junto con el contenido más cercano al usuario U.

Cómo trabajar con historiales cortos

Dado que el motor de recomendaciones se basa actualmente en el historial de interacciones acumulado a lo largo del tiempo por los usuarios a medida que utilizan los materiales de formación de la plataforma, en el caso de las plataformas que se acaben de poner en marcha, no habrá suficientes datos para generar sugerencias significativas. Sin embargo, cuando se vayan produciendo más interacciones dentro de la plataforma, el motor de recomendaciones podrá completar la matriz. Por regla general, cuanto más se utilice la plataforma de aprendizaje, las sugerencias serán más específicas y más personalizadas.

De la misma manera, si el historial de un usuario está vacío o es muy corto, como sucede con los usuarios nuevos o con los usuarios que no suelen interactuar con los contenidos, puede que el motor de recomendaciones no genere sugerencias para dicho usuario. En cualquier caso, a medida que el usuario vaya haciendo uso de las oportunidades de aprendizaje de la plataforma, empezará a ver consejos personalizados.

Actualización del historial de interacciones

A medida que los alumnos utilicen la plataforma de aprendizaje e interactúen con los contenidos, la matriz que captura sus historiales de interacción con los cursos cambiará. El motor de recomendaciones recalcula la matriz periódicamente para reflejar las últimas interacciones. A continuación, vuelve a aplicar el algoritmo de factorización de la matriz para crear un espacio métrico actualizado. 

Dado que en un escenario real de uso la matriz de interacciones puede llegar a tener demasiado volumen y los cálculos necesarios para obtener la matriz y el espacio métrico pueden llevar mucho tiempo, actualmente programamos cada pocos días un procedimiento de actualización estándar para todas las plataformas. Por esto es importante tener presente que puede que las interacciones más recientes entre los usuarios y los contenidos no se tengan en cuenta al calcular las sugerencias personalizadas. Esto será así hasta que se aplique la siguiente actualización de interacciones en tu plataforma de aprendizaje.

Limitaciones técnicas

Si hay una cantidad importante de usuarios o de contenidos —más de un millón, por ejemplo—, puede que la implementación técnica del algoritmo de recomendaciones no sea capaz de generar la matriz de usuarios y contenidos que hemos detallado en este artículo. En tales casos, que no son nada habituales, la función de sugerencias de contenido no se ejecutará y no se generarán sugerencias.