Diseño de sistema de profiling para ecosistema de ciencia ciudadana

Título:

Diseño de sistema de profiling para ecosistema de ciencia ciudadana

Autor:

Biagioni, Elías

Otros autores / Colaboradores:

 Torres, Diego; 

Temas:

APRENDIZAJE AUTOMÁTICO; ALGORITMOS; 

URL:

http://sedici.unlp.edu.ar/handle/10915/165306,

Palabras clave:

ciencia ciudadana, sistema de recomendación, 

Nota de tesis:

Tesina (Licenciatura en Sistemas) - Universidad Nacional de La Plata. Facultad de Informática, 2024.

Extensión:

1 archivo (2,2 MB) : il. col.

Resumen:

La ciencia ciudadana es un tipo de colaboración en la cual las actividades científicas son llevadas a cabo por una comunidad de colaboradores. En este ambiente, existe una amplia diversidad de proyectos de investigación, como así también, un amplio marco de ciudadanos interesados que participan en ellos. El proyecto de ciencia ciudadana “Ágora”, cuenta con proyectos, en los cuales hay variedad de temáticas y de usuarios que participan, con diferentes orientaciones e intereses. Debido a la gran diversidad de proyectos y usuarios, se hace difícil recomendar proyectos a personas, así como personas a proyectos. Esto es debido, en parte, a que los intereses de los usuarios van cambiando a lo largo del tiempo sobre la gran variedad de categorías de proyectos. Una manera de solucionar este problema, es utilizando técnicas de perfilamiento (profiling) tanto a nivel de usuarios cómo a nivel de proyectos. La idea de esta tesina es mejorar el proyecto Ágora, desarrollando un sistema de recomendación, capaz de realizar la extracción de las diferentes cualidades y características de sus usuarios y proyectos, contextualizando en ecosistemas de proyectos de ciencia ciudadana, de manera tal que se puedan recomendar usuarios a proyectos y viceversa.

Puede solicitar más fácilmente el ejemplar con: TES 24/05

1. Introducción 
1.1. Motivación 
1.1.1. Objetivos 
1.2. Enfoque 
1.3. Organización

2. Participación y Liderazgo en Ciencia Ciudadana 
2.1. Introducción
2.2. Motivaciones de los Participantes
2.3. Motivaciones de los Líderes de Proyectos 
2.4. Conclusión

3. Cientopolis y Ágora
3.1. Cientópolis 
3.2. Ágora
3.2.1. Desarrollo de Ágora 
3.3. Modelo de Datos PPSRCore
3.3.1. Asociación de Ciencia Ciudadana (CSA) 
3.3.2. Estándar de Modelo de Datos de Ciencia Ciudadana PPSRCore
3.4. Conclusión

4. Sistemas de Recomendación
4.1. Definición
4.2. Tipos de Sistemas de Recomendación
4.2.1. No Personalizados 
4.2.2. Personalizados 
4.3. Funcionamiento de un Sistema de Recomendación 
4.4. Sistemas de Recomendación Basados en el Contenido 
4.4.1. Funcionamiento General 
4.4.2. Arquitectura
4.4.3. Ventajas y Desventajas
4.5. Tecnologías para Sistemas de Recomendación 
4.5.1. Machine Learning 
4.5.2. Tipos de Machine Learning 
4.5.3. Uso de Aprendizaje Automático en Sistemas de Recomendación
4.5.4. Neo4j 
4.6. Conclusión

5. Estrategia General
5.1. Matemática y Algoritmos Aplicados
5.1.1. Similitud Jaccard 
5.1.2. Normalización MínimoMáximo
5.1.3. Producto de un Escalar por un Vector 
5.1.4. Producto de Matrices 
5.1.5. Algoritmo KNN 
5.2. Sistema de Recomendación de Proyectos a Usuarios para Ágora
5.2.1. Content Analyzer
5.2.2. Profile Learner 
5.2.3. Filtering Component
5.2.4. Ejemplo Aplicado

6. Diseño e Implementación 
6.1. Elección de Tecnología para el Sistema de Recomendación
6.2. Modelo Propuesto 
6.3. Implementación 
6.3.1. Dependencias
6.3.2. Modelos 
6.3.3. Repositorios 
6.4. Funcionamiento del Algoritmo KNN en Neo4j 
6.5. Recomendaciones en Ágora
6.5.1. Endpoint 
6.5.2. Clases y Métodos Utilizados 

7. Evaluación
7.1. Métricas de Evaluación 
7.1.1. Precision 
7.1.2. Recall 
7.1.3. F1Score
7.2. Conjunto de Datos 
7.2.1. Inicialización de Proyectos
7.2.2. Inicialización de Usuarios
7.2.3. Inicialización de perfiles de usuarios 
7.3. Proceso de Evaluación 
7.4. Evaluación de Resultados 
7.4.1. Resultados con 468 Proyectos 
7.4.2. Resultados con 300 proyectos 
7.4.3. Análisis y Conclusiones sobre la Efectividad del Sistema de
Recomendación 
7.4.4. Evaluación del Sistema con la Configuración Propuesta 

8. Conclusión 
8.1. Conclusión 
8.2. Trabajos Futuros 
8.2.1. Optimización
8.2.2. Inclusión de la Ubicación Geográfica 
8.2.3. Recomendación de Usuarios a Proyectos 
8.2.4. Sistema de Recomendación Colaborativo
8.2.5. Integración con Ágora