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