Apoyo de toma de decisión a comunidades de construcción de conocimiento

Título:

Apoyo de toma de decisión a comunidades de construcción de conocimiento

Autor:

Martin, Jonathan

Otros autores / Colaboradores:

 Torres, Diego; [ Director/a]  Fernández, Alejandro; [ Codirector/a] 

Temas:

FRAMEWORKS; 

URL:

https://doi.org/10.35537/10915/135961,

Palabras clave:

construcción del conocimiento, ludificación, 

Nota de tesis:

Tesis (Doctorado en Ciencias Informáticas) - Universidad Nacional de La Plata. Facultad de Informática, 2020.

Extensión:

1 archivo (3,9 MB) : il. col.

Resumen:

La construcción del conocimiento puede verse como resultado del proceso activo del aprendizaje. Siguiendo este concepto en la actualidad podemos encontrar varias comunidades que se forman a partir de grupos de personas con intereses comunes para compartir y generar conocimiento. De estas comunidades, particularmente a las que brindan soporte computacional a las distintas etapas de la construcción de conocimiento las denominaremos Comunidades de Construcción de Conocimiento (CCC). La calidad del contenido en las CCC depende de la actividad y participación de sus miembros. Existen diferentes enfoques para alentar la participación de una CCC, por ejemplo, centrarse en atraer a los recién llegados o brindarles más atención u oportunidades de participación que a los miembros más antiguos de la comunidad. Un enfoque de tendencia es el uso de la ludificación. La ludificación es la aplicación de cualquier elemento de juegos o videojuegos en entornos no lúdicos. A través de estas estrategias, es factible mejorar la motivación para participar en diferentes escenarios de una CCC, así como guiar el tipo de participación que se ajuste mejor a los principios de la CCC. Una CCC podría enriquecerse mediante una ludificación que recompense la edición, la participación en discusiones con otros miembros, y diseminación de las producciones. Sin embargo, definir y probar un diseño ludificado en una CCC es un proceso largo que requiere iteraciones de configuración y evaluación que pueden resultar perjudiciales para la comunidad. Esto se debe a que el resultado de la aplicación de la ludificación no se puede predecir por completo. Una ludificación puede ser disruptiva para la comunidad si está mal configurada, por ejemplo, induciendo una competencia improductiva o desmotivando la participación. Esta tesis apoya la toma de decisión recomendando configuraciones, a fin de guiar al encargado de ludificar una comunidad. Tomando en consideración el contexto de incertidumbre inherente a la forma de trabajo colaborativo en las CCC. Para ello se desarrolla una metodología, que mediante el uso de aprendizaje por refuerzo (RL por sus siglas en ingles) y simulación basada en datos históricos configura ludificaciones para CCCs. Esta metodología a su vez, se presenta aplicada en el framework de RL desarrollado en este trabajo de tesis, llamado Historical Reinforcement Learning. Historical RL brinda soporte para la generación de entornos de aprendizaje por refuerzo que permitan entrenar agentes de RL en la tarea de configurar una ludificación para una determinada CCC. Dentro de sus características principales esta la compatibilidad con diversas librerías de agentes mediante el estándar de OpenAI Gym También facilita la integración de diversas comunidades y gestiona el flujo de datos históricos con los que se alimenta a la simulación. Finalmente introduce herramientas para el manejo de acciones por parte de los agentes y la entrega de recompensas a los mismos. En este trabajo se presentan también diversos casos de estudio donde se evalúa el alcance de la metodología, así como las capacidades del framework. Estos estudios demuestran una mejora respecto a la capacidad de configuración de la ludificación en un entorno no disruptivo para la comunidad.

Puede solicitar más fácilmente el ejemplar con: TES 20/80

1. Introducción
1.1. Problemática de la configuración de una estrategia de ludificación 
1.2. Hipótesis y enfoque de solución
1.3. Resultados obtenidos
1.4. Publicaciones
1.5. Organización de la tesis

2. Marco conceptual
2.1. Sistemas de soporte a la toma de decisiones 
2.2. Comunidades de construcción de conocimiento 
2.2.1. Soporte por computadoras 
2.2.2. Wikipedia y Stack overow
2.3. Ludificación 
2.3.1. MDA Framework 
2.3.2. Ludificación en CCC
2.4. Reinforcement Learning 
2.4.1. Algoritmos de RL
2.4.2. Entornos de RL 
2.4.3. RL para configurar una ludificación

3. Análisis de Patrones en CCC 
3.1. Procesamiento del historial de revisiones 
3.1.1. Extracción de Wikipedia 
3.1.2. Detección de actividades 
3.2. Abstracción de eventos en Wikipedia 
3.3. Resultados
3.3.1. Herramientas
3.3.2. Métricas 
3.3.3. 1er caso: Análisis de Grupos de Revisiones 
3.3.4. 2do caso: Análisis de Evolución de Revisiones 
3.3.5. 3er caso: Patrones de adición y eliminación
3.3.6. 4to caso: Granularidad fina de cambios 
3.3.7. 5to caso: Evolución de revisiones detalladas por grupos
3.4. Resumen del capítulo

4. Incorporación de ludificación en CCC 
4.1. Enfoque de MDA en Wikipedia 
4.2. Simulación de Metagame 
4.2.1. La comunidad de Agricultura en Wikipedia 
4.2.2. Definición de la problemática 
4.2.3. Metodología 
4.2.4. Evaluación 
4.2.5. Resultados

4.3. Resumen del capítulo 
5. Enfoque de solución
5.1. Simulación de la ludificación 
5.2. Aprendizaje por refuerzo como enfoque 
5.3. Resumen del capítulo

6. Framework de reinforcement learning para automatización de congfiuracion en CCC 
6.1. Presentación tecnologías 
6.1.1. OpenAI Gym
6.1.2. Deep learning
6.2. Historical Framework
6.2.1. Historical Enviroment 
6.2.2. Manejo de acciones 
6.2.3. Abstracción del simulador
6.2.4. Procesamiento de datos históricos 
6.3. Resumen del capítulo 

7. Casos de estudio 
7.1. Wikipedia 
7.1.1. Integración del framework 
7.1.2. Materiales y métodos 
7.1.3. Resultados 
7.1.4. Análisis de resultados 
7.1.5. Conclusiones 
7.2. Stack Overow
7.2.1. Ludificación de Stack Overow
7.2.2. Metodología de evaluación 
7.2.3. Resultados
7.2.4. Análisis de resultados
7.2.5. Conclusiones
7.3. Integración de nuevos agentes
7.3.1. Selección de agentes de RL
7.3.2. Metodología de evaluación 
7.3.3. Resultados
7.3.4. Análisis de resultados
7.3.5. Conclusiones 
7.4. Resumen del capítulo

8. Conclusiones y trabajo futuro 
8.1. Resumen de contribuciones
8.1.1. Un estudio de factibilidad del uso de datos históricos
8.1.2. Una estrategia para la extracción y conversión de datos históricos 
8.1.3. Una estrategia de simulación para estrategias de ludificación mediante datos históricos 
8.1.4. Un enfoque para la obtención de configuraciones optimas mediante aprendizaje por refuerzo 
8.1.5. Casos de uso del enfoque 
8.2. Limitaciones
8.3. Trabajo futuro

Acrónimos 

Glosario