Services on Demand
Journal
Article
Indicators
- Cited by SciELO
- Access statistics
Related links
- Similars in SciELO
Share
Computación y Sistemas
On-line version ISSN 2007-9737Print version ISSN 1405-5546
Comp. y Sist. vol.13 n.4 Ciudad de México Apr./Jun. 2010
Artículos
MIRROS: Intermediary Model to Recovery Learning Objects
MIRROS: Modelo Intermediario para la Recuperación de Objetos de Aprendizaje
Ma. de Lourdes Margain Fuentes1, Jaime Muñoz Arteaga2, Francisco Álvarez Rodríguez2, Jean Vanderdonkt3 and Michael Orey4
1 Universidad Politécnica de Aguascalientes, Av. Mahatma Gandi Km2, Ags. México, lourdes.margain@upa.edu.mx
2 Universidad Autónoma Aguascalientes, Av. Universidad # 940, Ags., CP. 20100 México, jmunozar@correo.uaa.mx, fjalvar@correo.uaa.mx
3 Universite Catholique de Louvain, Place des Doyens, 1B1348 LouvainlaNeuve (Belgium), jean.vanderdonckt@uclouvain.be
4 University of Georgia, Atlanta Georgia USA, mikeorey@uga.edu
Article received on July 22, 2009.
Accepted on November 17, 2009.
Abstract
Techniques for recovery and reuse of learning objects in various learning management systems actually provide learning alternatives and services for online learning. One of these alternatives is the recovery of resources in the Learning Objects Repositories (LOR); this LOR hand out different services such as search for a specific resource by a user. From the perspective of artificial intelligence, it is possible to recover the digital resources based on metadata, with different possibilities for improving search mechanisms that satisfy a query according to the user profile with specific needs. The paper shows a proposal where searching services repositories of learning objects can be implemented by creating a reference model involving agents or elements implicated in learning or recommend learning objects based on the users requirement. From this perspective is proposed a reference model to recovery learning objects in a specific learning context.
Keywords: Learning Objects Repository, Metadata, Agents, Ontology.
Resumen
Las técnicas de recuperación y reutilización de objetos de aprendizaje en diversos sistemas de administración de aprendizaje brindan hoy nuevas alternativas y servicios para el aprendizaje en línea. Una de estas alternativas es la recuperación de los recursos en los repositorios de objetos de aprendizaje (ROA), estos atienden diversos servicios como la búsqueda de un recurso específico por un usuario. Desde la perspectiva de la inteligencia artificial, es posible recuperar los recursos digitales en base a metadatos, teniendo diversas posibilidades para mejorar mecanismos de búsqueda que cumplan una consulta conforme al perfil de un usuario con necesidades específicas. El articulo muestra una propuesta donde estos servicios de búsqueda en los repositorios de objetos de aprendizaje pueden implementarse creando un modelo de referencia, con intervención de agentes o sistemas recomendadores que sugieran al usuario objetos de aprendizaje a partir de sus requerimientos. Desde esta perspectiva se propone las un modelo de referencia para la recuperación de Objetos de Aprendizaje en un contexto de aprendizaje determinado.
Palabras Clave: Repositorio de Objetos de Aprendizaje, Metadato, Agente, Ontología.
DESCARGAR ARTÍCULO EN FORMATO PDF
References
1. Barranco, M.J., Perez, L.G., Mata, F. & Martinez, L. (2008). REJA: un sistema de recomendación de restaurantes basado en técnicas difusas. VII Turitec 08, Málaga, España. [ Links ]
2. Bartolome J., DiPierro G., Marcos, J.J., Ortega A. & Sarasa A. (2008). Desarrollo de una red de repositorios distribuidos de objetos de aprendizaje. IV Jornada Campus Virtual, UCM. Madrid, España, 177183. [ Links ]
3. BernersLee T., Hendler J. & Lassila O. (2001, May 1). The semantic web. Scientific American, 284(5), Retrieved from http://www.scientificamerican.com/article.cfm?id=thesemanticweb [ Links ]
4. Blanco Y., Pazos J, o GilSolla A., Ramos C, Nores M, García J., Vilas A., DíazRedondo R. & Bermejo J. (2007). Avatar: Enhancing the Personalized Television by Semantic Inference. International Journal of Pattern Recognition and Artificial Intelligence, 21(2), 397421. [ Links ]
5. Camargo, D. (2007). Sistema de selección de personal inspirado en agentes inteligente. Tesis de Licenciatura, Universidad de las Américas Puebla, Cholula, Puebla, México. [ Links ]
6. Downes, S. (2003, January 1). Design and reusability of learning objects in an academic context: A new economy of education?. USDLA Journal, 17(1), Retrieved from http://www.usdla.org/html/journal/JAN03_Issue/article01.html [ Links ]
7. Dublin Core Metadata Initiative. (January 14, 2010). Retrieved from http://www.dublincore.org [ Links ]
8. Margain, L., Muñoz, J., Alvarez, F. (2008). A Methodology for Design Collaborative Learning Objects. The 8th IEEE International Conference on Advanced Learning Technologies, ICALT 2008, Santander, Spain, 8791. [ Links ]
9. Ochoa, X., Duval, E. (2008). Estudio de las Características de los Repositorios de Objetos de Aprendizaje. 3ra Conferencia Latinoamericana de Tecnologías de Objetos de Aprendizaje, Aguascalientes, México., 229239. [ Links ]
10. Reyes, A., Sucar, L.E., Morales, E. (2009). AsistO: A qualitative MDPbased recommender system for power plant operation. Computación y Sistemas, 13(1), 520. [ Links ]
11. SCORM. Shareable Content Object Reference Model (ADL standard). 1484.11.22003 IEEE Standard for Learning Technology. [ Links ]
12. Soto, J., Garcia, E. & SanchezAlonso, S. (2007). Semantic learning object repositories. International Journal of Continuing Engineering Education and LifeLong Learning, 17(6), 432446. [ Links ]
13. Tellez, A., Montes, M., Villaseñor, L. (2009). Using machine learning for extracting information from natural disaster new reports. Computación y Sistemas, 13(1), 3344. [ Links ]
14. W3C Web Services Architecture. (January 14, 2010). Retrieved from http://www.w3.org/TR/wsarch/ [ Links ]