This work is licensed under a Creative Commons
Attribution-NonCommercial-ShareAlike 4.0 International License.
86
R. Ludeña, V. Segarra-Faggioni, A. Romero-Pelaez, J.C. Morocho-Yunga,
“Exploring Topics in Information Technology Open Educational Resources through the LDA Algorithm”,
Latin-American Journal of Computing (LAJC), vol. 11, no. 1, 2024
Exploring Topics in
Information Technology
Open Educational
Resources through the
LDA Algorithm
ARTICLE HISTORY
Received 18 September 2023
Accepted 27 November 2023
Published 08 January 2024
René Ludeña
Universidad Técnica Particular de Loja
Loja, Ecuador
rjludena@utpl.edu.ec
Verónica Segarra-Faggioni
Universidad Técnica Particular de Loja
Loja, Ecuador
Ecole de Technologie Superieure, Quebec, Canadá
vasegarra@utpl.edu.ec
ORCID: 0000-0002-7275-7411
Audrey Romero-Peláez
Universidad Técnica Particular de Loja
Loja, Ecuador
Universidad Politecnica de Madrid Madrid, España
aeromero2@utpl.edu.ec
ORCID: 0000-0002-3710-1257
Juan Carlos Morocho-Yunga
Universidad Técnica Particular de Loja
Loja, Ecuador
jcmorocho@utpl.edu.ec
ORCID: 0000-0001-6387-8054
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
This work is licensed under a Creative Commons
Attribution-NonCommercial-ShareAlike 4.0 International License.
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
87
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
10.5281/zenodo.10402399
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January – June 2024
Explorando Temas en Recursos Educativos Abiertos
de Tecnologías de la Información a través del
Algoritmo LDA
Exploring Topics in Information Technology Open
Educational Resources through the LDA Algorithm
René Ludeña
Universidad Técnica Particular de Loja
Loja, Ecuador
rjludena@utpl.edu.ec
Verónica Segarra-Faggioni
Universidad Técnica Particular de Loja
Loja, Ecuador
Ecole de Technologie Suṕerieure,
Quebec, Canadá
vasegarra@utpl.edu.ec
Juan Carlos Morocho-Yunga
Universidad Técnica Particular de Loja
Loja, Ecuador
jcmorocho@utpl.edu.ec
Audrey Romero-Peláez
Universidad Técnica Particular de Loja
Loja, Ecuador
Universidad Politecnica de Madrid
Madrid, España
aeromero2@utpl.edu.ec
Abstract— This paper explores the application of machine
learning and text mining techniques to discover OER issues in the
context of Engineering Education. Applying the LDA (Latent
Dirichlet Allocation) algorithm, themes are extracted from OER, it
is possible to consider them as additional metadata. This
augmentation serves to enhance the description and categorization
of OER. Furthermore, this study introduces a methodology to
automatically identify topics in open educational resources. In this
research, a dataset of 80 OER was obtained from the Skills
Commons repository. The highest coherence value achieved at 0.42,
emerged when the number of topics was 9 in the LDA model. These
nine topics are closely associated with Information Technology
Education.
Keywords— metadata, OER, LDA, text mining, topic modeling
Resumen— Este artículo aplica el algoritmo Latent Dirichlet
Allocation, LDA, como una técnica de aprendizaje de máquina y
minería de texto para descubrir temas en OER en el contexto de la
educación en ingeniería. El algoritmo LDA permite extraer temas,
en este estudio los temas que se extraen de OER pueden ser
considerados como metadatos adicionales que enriquecerán la
descripción y clasificación de los mismos. Además, se define una
metodología para la identificación automática de temas en los
recursos educativos abiertos. En esta investigación, se utiliza un
dataset de 80 OER extraído del repositorio Skills Commons. El valor
más alto de coherencia es 0.42, cuando el número de temas en el
modelo LDA es 9. Estos nueve temas están relacionados con
Educación en Tecnologías de la Información.
Palabras clave— metadata, OER, LDA, minería de texto,
modelado de temas
I. I
NTRODUCCIÓN
En la actualidad, la computación en la educación es un
componente fundamental para el desarrollo de habilidades
tecnológicas que impulsan el progreso de la sociedad. Con el
avance constante de la inteligencia artificial (IA) y el
aprendizaje automático (ML), es fundamental que las personas
adquieran competencias en el campo de la informática para
hacer frente a los desafíos de un mundo cada vez más
digitalizado. En este contexto, los Recursos Educativos
Abiertos (OER) han surgido como una solución prometedora
para democratizar el acceso a materiales educativos de alta
calidad.
Los Recursos Educativos Abiertos ofrecen una estrategia
y oportunidad para mejorar el acceso a la educación de manera
libre y abierta a través de sus materiales [1]. Los recursos
educativos abiertos son materiales educativos de acceso
gratuito para el público en general, los cuales proporcionan
derechos de uso, reutilización y pueden adaptarse de acuerdo
a las necesidades específicas. Con la abundancia de OER
disponibles, descubrir contenido relevante y útil de manera
eficiente se ha convertido en un desafío para los usuarios,
debido a que los metadatos no siempre describen el recurso lo
más completo posible [2].
Los metadatos son una colección de atributos que
describen e identifican un recurso. En consecuencia, el uso de
un único metadato estándar no es factible, ya que podría existir
carencias en la cobertura de datos referentes a los recursos [3].
Debido a esta diversidad de información, los metadatos no
siempre pueden controlar la calidad de los temas tratados en
los recursos. Para abordar este tema, en este artículo
exploramos el algoritmo LDA (Latent Dirichlet Allocation)
como una técnica de aprendizaje de máquina y minería de
texto para descubrir patrones y estructuras en los OER
seleccionados. El algoritmo LDA es una herramienta eficaz
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
88
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
10.5281/zenodo.10402399
R. Ludeña, V. Segarra-Faggioni, A. Romero-Pelaez, J.C. Morocho-Yunga
“Exploring Topics in Information Technology Open Educational Resources through the LDA Algorithm”,
Latin-American Journal of Computing (LAJC), vol. 11, no. 1, 2024.
para analizar un conjunto de datos de texto y descubrir temas
en estos documentos, por esta razón, se emplea LDA para
identificar temas en recursos educativos abiertos de diferentes
escenarios de formación en Ingeniería. Al emplear técnicas de
aprendizaje automático no supervisado y minería de datos en
los OER, se busca enriquecer la experiencia de aprendizaje al
permitir que los usuarios encuentren los recursos apropiados
según sus requerimientos de forma eficaz. Además, siguiendo
la línea de investigación de varios autores que enfocan sus
trabajos en la evaluación de recursos educativos abiertos desde
un punto de vista técnico, se considera que con la aplicación
de LDA se mejorará la organización y acceso al contenido
educativo.
El presente trabajo está organizado de la siguiente manera:
Sección 2. Se presentan trabajos relacionados al tema de
estudio; Sección 3. Metodología aplicada; Sección 4.
Experimentos con el algoritmo LDA, análisis y resultados
obtenidos; y, Sección 5. Conclusiones y trabajos futuros.
II. TRABAJOS
RELACIONADOS
El modelado de temas es una herramienta que brinda una
visión de conjuntos de documentos individuales y las
interconexiones entre ellos [4].Varios autores han publicado y
presentando resultados utilizando el algoritmo LDA en
diferentes campos. En este trabajo, se realizó una búsqueda de
artículos relacionados a la aplicación del algoritmo LDA en el
contexto de los recursos educativos abiertos y se seleccionaron
aquellos que aportan al objetivo de este trabajo (Ver Tabla I).
Una propuesta específica para analizar la calidad de los
metadatos es aplicar el algoritmo Random Forest (RF) [5], el
análisis está enfocado en aplicar un modelo de predicción para
anticipar la calidad de los OER. Mediante el uso de metadatos
como característica de entrada, los hallazgos indican que este
modelo alcanza el 94.6% de precisión al identificar de manera
correcta los OER de alta calidad.
Por otro lado, el estudio de [6] combina la técnica
ElasticSearch y el modelo LDA con la finalidad de clasificar
artículos académicos de acuerdo a temas relevantes y
características extraídas de los resúmenes de los documentos.
Se utilizaron como variables de entrada las palabras clave y el
resumen de los artículos académicos.
Otro estudio [7] compara los métodos: LDA, BERT y Tf–
idf para determinar el más eficaz para la clasificación de texto
en base a una etiqueta predefinida. El conjunto de datos en este
estudio corresponde a temas deportivos y educativos que
fueron recopilados por estudiantes de postgrado. Así también,
el estudio de [8] extrae temas de OER, aplicando técnicas de
minería de texto, para generar metadatos de alta calidad.
Los trabajos relacionados utilizan Random Forest y BERT
para tareas de clasificación y regresión utilizando etiquetas en
un documento, mientras que LDA permite extraer temas de
documentos. El enfoque de utilizar el algoritmo LDA para
investigar el tema de documentos o palabras en diversos
campos porque permite analizar grandes cantidades de datos.
En este estudio, se aplica LDA para descubrir temas dentro de
los recursos educativos abiertos con la finalidad de
considerarlos como metadatos adicionales que enriquecerán la
descripción y clasificación de los OER.
T
ABLA
I.
R
ESUMEN DE TRABAJOS RELACIONADOS
Propósito
Metodología
Resultados
Explorar la relación
entre la calidad de
los metadatos y la
calidad de OER [5]
1. Análisis de datos
exploratorio sobre los
metadatos de OER de
Youtube, aplicando RF.
2. Predicción basada en
metadatos para anticipar
la calidad de los OER.
La clasificación de
OER de alta calidad
alcanza una
precisión del 94,6%.
Clasificar
automáticamente
artículos
académicos [6]
1. Aplica el método de
clasificación
ElasticSearch y el
modelo LDA basado en
temas para extraer las
características de los
artículos académicos.
La similitud semántica
utiliza palabras clave
como las variables de
entrada.
El valor de k = 50
utilizado para aplicar
LDA.
Explorar la
aplicación práctica
de tres métodos de
modelización (
LDA, BERT y TF-
IDF) y determinar
el método más
eficaz para la
clasificación de
documentos. [7]
1. Preprocesamiento de
los datos.
2.1. Calcular Tf – idf
(Frecuencia de término
– Documento inverso
Frecuencia)
2.2. Aplicar algoritmo
LDA: se crea un
diccionario y una bolsa
de palabras.
2.3. Aplicación del
método BERT: se crea
vectores de incrustación
de oraciones.
El método BERT
alcanzó el 92,6% de
éxito, en la
clasificación de
documentos.
Realizar la
extracción de temas
de OER mediante
técnicas de minería
de texto para
generar metadatos
de alta calidad, lo
que puede ayudar a
los alumnos a
construir itinerarios
de aprendizaje
eficaces hacia sus
objetivos de
aprendizaje
individuales [8].
1. Recolección de datos
2. Preprocesamiento de
datos
3. Aplicación del
algoritmo Latent
Dirichlet Allocation
(LDA)
3.1.Calcular la
coherencia para
seleccionar el valor de k
4. Evaluación del
modelo utilizando la
métrica F1-score
El modelo extrajo
temas de OER con
un 79% de
puntuación F1.
III. M
ETODOLOGÍA
En el presente trabajo, se aplica el algoritmo LDA (Latent
Dirichlet Allocation) para la identificación automática de
temas que se aborden en los recursos educativos abiertos
utilizados en la formación en Ingeniería.
Con este objetivo se aplicaron las fases: entender el
proceso, entender los datos, preparar los datos, construir el
modelo y validar el modelo. La Figura 1 presenta el esquema
de los pasos propuestos.
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
89
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
10.5281/zenodo.10402399
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January - June 2024
Fig. 1. Metodología aplicada
A. Contexto del problema
Se realiza una definición técnica del problema y, además,
precisa los aspectos del dominio de trabajo, en este caso los
metadatos de los repositorios OER. Por lo tanto, en esta fase
inicial se busca comprender el problema de la búsqueda y
recomendación eficiente de los recursos educativos abiertos.
En los repositorios de OER, los metadatos de estos
recursos no brindan la eficiencia necesaria para los servicios
de búsqueda [11]. Por esta razón, se plantea aplicar el
algoritmo LDA, como técnica de aprendizaje de máquina y
minería de datos, que permita la extracción de los temas que
son tratados en un OER y de esta manera proveer una
alternativa que mejore la eficiencia de los usuarios al encontrar
y seleccionar materiales según sus requerimientos.
El algoritmo LDA permite identificar la distribución del
documento sobre los temas y la distribución de un tema en
función de las palabras observadas [12]. De esta manera, se
identificarán automáticamente temas de los OER, los mismos
que pueden ser considerados como metadatos adicionales que
enriquecerán la descripción y clasificación de los recursos
educativos abiertos seleccionados.
Además, se realiza un análisis exploratorio con el fin de
obtener un panorama de lo que se puede conseguir a través de
los datos existentes. En este punto, el conocimiento del
dominio de trabajo permite guiar este análisis. Así también,
en esta fase se identifican posibles problemas de calidad en
los datos y se detectan subconjuntos en los datos que podrían
ser interesantes [12].
B. Preparación de los datos
La fase de preparación de datos lleva a cabo todas las
actividades para construir un conjunto de datos adecuado y
listo para utilizar en modelos de aprendizaje automático. En
esta fase el propósito es obtener una comprensión integral del
conjunto de documentos que se obtengan del conjunto de datos
(dataset). Los metadatos seleccionados del conjunto de datos
son los siguientes: id, título, url y type (tipo de material
principal). Con base en estos metadatos, se lleva a cabo la
recopilación, exploración y evaluación de los datos para
asegurar que se cuente con una colección representativa de
recursos educativos abiertos y se abarque una amplia variedad
de temáticas utilizadas en la formación en ingeniería.
Durante esta fase, los documentos recopilados pasan por
un proceso de preprocesamiento para asegurar que sean
adecuados para el análisis [13]. Esta etapa implica diversas
tareas de procesamiento de lenguaje natural (en inglés NLP)
como: limpieza de texto para eliminar símbolos irrelevantes,
puntuación y caracteres especiales y la eliminación de
palabras vacías que no aportan información relevante para el
análisis. Además, se realiza la tokenización para identificar las
palabras significativas y la lematización para reducir las
palabras a su forma raíz y evitar redundancias con el fin de
mejorar la eficacia del análisis.
C. Construcción del modelo
Durante el proceso de construcción del modelo se eligen y
aplican diversas técnicas de modelado, mientras se ajustan los
parámetros para alcanzar valores óptimos. En muchos casos,
se dispone de múltiples técnicas para abordar el mismo tipo de
problema. Algunas técnicas demandan formatos de datos
particulares, resaltando así la relación entre la preparación de
los datos y el proceso de modelado [9].
En esta fase, se incorpora el algoritmo LDA para extraer
temas de los documentos que han sido previamente
preprocesados. LDA identifica estos temas basándose en la
distribución probabilística de palabras en los documentos y la
distribución de temas dentro de los mismos [14]. Es
importante determinar el número adecuado de temas, lo que
dependerá del conocimiento del dominio y el nivel de
granularidad deseado. Una vez definido el modelo basado en
el algoritmo de aprendizaje LDA se ejecuta el entrenamiento
y validación del modelo.
D. Validación del modelo
En esta etapa final, luego de contar con uno o más modelos
que pueden tener alta calidad, desde una perspectiva de
análisis de datos. Antes de avanzar con la implementación
final del modelo, es necesario realizar una evaluación
exhaustiva y revisar los pasos ejecutados para la construcción
del modelo, con la finalidad de asegurarse que logre los
objetivos propuestos para solucionar el problema planteado al
inicio. Al concluir esta fase, se debe llevar a cabo un análisis
detallado de los resultados [9], [15]. Los resultados de esta
etapa son fundamentales para ajustar y mejorar el modelo
LDA y, en última instancia, para lograr un análisis más preciso
y útil.
La fase de validación permite garantizar que los temas
extraídos sean de alta calidad y puedan proporcionar una
comprensión significativa de los contenidos en los OER. La
evaluación de la calidad y coherencia de los temas extraídos
por el modelo LDA se realiza mediante métricas específicas
que miden la relación semántica entre las palabras dentro de
cada tema.
IV. A
NÁLISIS Y DISCUSIÓN DE RESULTADOS
A. Conjunto de datos
El conjunto de datos se recopiló del repositorio Skills
Commons, una plataforma que cuenta con una amplia
variedad de Recursos Educativos Abiertos (OER). Este
conjunto de datos incluye metadatos como: título, url, type
(tipo de material principal), entre otros. Los OER utilizados en
este trabajo corresponden al tema “Tecnologías de la
Información” y los metadatos y recursos se encuentran en
idioma inglés.
Para la construcción del corpus, se seleccionó el metadato
type que significa “tipo de material principal” ya que permite
identificar el tipo de recurso educativo abierto. En este estudio,
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
90
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
10.5281/zenodo.10402399
R. Ludeña, V. Segarra-Faggioni, A. Romero-Pelaez, J.C. Morocho-Yunga
“Exploring Topics in Information Technology Open Educational Resources through the LDA Algorithm”,
Latin-American Journal of Computing (LAJC), vol. 11, no. 1, 2024.
se seleccionaron aquellos recursos que están etiquetados como
"Final Program Report" en el metadato type (Ver Figura 2.).
Este criterio proporcionó un total de 80 OER que son de
interés para el propósito de este trabajo de investigación. Cada
uno de estos recursos contiene una colección de 103
documentos relacionados con diversos aspectos de las
Tecnologías de la Información.
Fig. 2. Ejemplo de recursos educativos abiertos etiquetados como “Final
Program Report”
B. Preparación de los datos
Se recopilaron los documentos relacionados con diversos
aspectos de las Tecnologías de la Información para el análisis
y construcción del modelo. Para la preparación y el
preprocesamiento de datos se utilizó el lenguaje de
programación Python, reconocido por su amplia gama de
librerías especializadas en el procesamiento de lenguaje
natural, mediante la biblioteca nltk [16]. A continuación se
realizan: la implementación del algoritmo LDA, la
visualización de datos y la evaluación del modelo [17].
Los pasos realizados en esta fase de preparación y
preprocesamiento de datos se detallan en la Tabla II.
C. Representación de documentos (Tf-idf)
Una vez procesados los datos, se realizó el análisis de
frecuencia de palabras considerando que es común encontrar
palabras que aparecen en múltiples documentos, sin importar
la colección de datos a la que pertenecen. La técnica Tf–idf es
ampliamente utilizada para reducir el peso de las palabras que
aparecen con frecuencia en los vectores de características [14].
Esta técnica funciona mediante la asignación de una
ponderación a los términos según la frecuencia de aparición en
los documentos, lo que ayuda a destacar las palabras clave que
realmente aportan significado a los documentos.
Para aplicar el algoritmo LDA a un conjunto de
documentos, primero LDA asume un número fijo de temas
(temas), y las relaciones tema-palabra y tema-documento (bag
of words) se modelan con matrices de probabilidades palabra-
en-tema y tema-en-documento (Tf-idf).
D. Aplicación del algoritmo LDA
Se utilizó la librería gensim en Python con el propósito de
construir y entrenar el modelo LDA. En este proceso, los
parámetros “alpha” y “eta” se configuraron con valores
automáticos. Estos parámetros afectan la densidad de
distribución de temas de los documentos y la palabra
perteneciente a un tema.
T
ABLA
II.
P
REPARACIÓN Y PREPROCESAMIENTO DE DATOS
Preparación de
datos
Tarea
Descripción
Descarga de
documentos por
OER
Se descargaron los
documentos que forman
parte del OER y se
almacenó en carpetas
identificadas por el “id”.
Formateo de
documentos
Se unificó el formato de
los documentos, aquellos
que estaban en formato
PDF se convirtieron en
formato DOCx.
Transformación
de documentos
Los metadatos de los 80
OER seleccionados y el
contenido de los
documentos de cada OER
se almacenó en un
archivo CSV para
facilitar el manejo y
tratamiento de los datos.
Preprocesamiento
Normalización
Para reducir el ruido se
transforman las palabras
a minúscula, se eliminan
siglas, signos de
puntuación, números y
caracteres especiales.
Tokenización
Se divide el texto en
unidades más pequeñas
llamadas tokens. Para
tokenizar el texto se
utiliza la función
nltk.word_tokenize( ).
Eliminación
palabras vacías
Se eliminan palabras muy
comunes, por ejemplo,
"el", "la", "y", "de", que
aparecen con frecuencia
en el texto pero que no
aportan un significado
importante.
Identificación
de bigramas y
trigramas
Se identifican y agrupan
las palabras adyacentes
en dos y tres elementos
consecutivos,
respectivamente, para
facilitar la representación
adecuada del texto.
Lematización
Se reducen las palabras a
su forma base o raíz,
conocida como lema.
Para la lematización se
utilizó la librería
WordNetLemmatizer del
paquete nltk [16].
En este estudio, la
lematización se realiza
considerando que los
tokens son verbos.
E. Validación y resultados
En esta sección, para evaluar el modelo generado por el
algoritmo LDA, se aplica la medida de coherencia de temas
(c_v) para analizar el desempeño de un conjunto de modelos
de temas de diferentes tamaños y tipos. La puntuación de
coherencia LDA es una métrica utilizada para evaluar la
calidad de los grupos de palabras generados por el modelo
LDA. La puntuación de coherencia más alta proporciona una
medida cuantitativa que muestra el grado de relación entre las
palabras y un tema.
En la figura 3, se presentan los resultados de los valores de
coherencia obtenidos para diferentes números de temas (k) al
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
91
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
10.5281/zenodo.10402399
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January - June 2024
aplicar el modelo de matriz Tf–idf con bigramas y trigramas
en un análisis de temas. Los valores de k van desde 2 hasta 12
y se selecciona el valor más alto. Se puede observar que el
valor más alto de coherencia (0.42) se obtiene cuando el valor
óptimo de k = 9. Esto indica que el modelo de 9 temas tiene
una coherencia de temas relativamente alta, lo que sugiere que
las palabras dentro de los temas están bien relacionadas y
representan patrones claros en el corpus.
Cabe recalcar que la medida de validación aplicada es
coherencia c_v, la que es utilizada en el contexto de modelado
de temas que permite medir la coherencia semántica entre
palabras en un modelo LDA. Mientras que la métrica F1-score
utilizada en [8] se aplica para la evaluación de modelos de
clasificación.
Fig. 3. Métrica de coherencia
Finalmente, para tener una visualización interactiva de los
temas y palabras clave se utilizó la librería pyLDAvis. Esta
librería crea el mapa de distancias entre temas y su distribución
de temas para cada OER sobre Tecnologías de la Información,
con el fin de ayudar en la interpretación de los temas en el
modelado (Ver Figura 4).
En la figura 4, se presenta el panel derecho del mapa de
distancia, se visualizan las 30 palabras más frecuentes de cada
tema calculado con el modelo LDA. Cada tema se representa
con una lista de palabras ponderadas por sus respectivos
valores TF-IDF. Mientras que, en la interpretación de temas,
se analizan las palabras más probables asociadas con cada
tema para entender su significado y relevancia.
En la figura 5, se presenta el panel izquierdo del mapa de
distancias donde se visualiza el tamaño de cada tema que
representa la prevalencia sobre el conjunto de datos. Las
burbujas más grandes indican que el tema es más prevalente
en comparación con las burbujas más pequeñas.
Los temas 4 y 7 tienen una naturaleza independiente de otros
temas. El tema 9 se integra con los temas 1 y 8, es decir,
cuentan o comparten términos similares. Entre los términos
más frecuentes están “program”, “student”, “college”,
“participant” y “community” que están relacionados con
Educación en Tecnologías de la Información.
Fig. 4. Visualización de las 30 palabras más frecuentes
Fig. 5. Mapa de distancia de temas en OER sobre "Tecnologías de la
información"
V. C
ONCLUSIONES Y
T
RABAJO
F
UTURO
El modelado de temas cumple un papel importante en la
informática para la minería de textos. En este estudio, se aplicó
el algoritmo LDA a un conjunto de documentos de Recursos
Educativos Abiertos (OER) con el fin de identificar y analizar
los temas presentes en toda la colección, así como en cada
documento individual y las relaciones entre los documentos.
Esta técnica es popular y relativamente simple de
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
92
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
10.5281/zenodo.10402399
R. Ludeña, V. Segarra-Faggioni, A. Romero-Pelaez, J.C. Morocho-Yunga
“Exploring Topics in Information Technology Open Educational Resources through the LDA Algorithm”,
Latin-American Journal of Computing (LAJC), vol. 11, no. 1, 2024.
implementar, sin embargo, puede ser sensible a la elección de
un número de temas específicos.
En este artículo, se presentan los resultados de los
experimentos y análisis realizados de OER extraídos del
repositorio Skill Commons mediante la aplicación del
algoritmo LDA. Los resultados muestran que la mayoría de
los temas abordados están relacionados con Educación en
Tecnologías de la Información. Estos resultados proporcionan
al usuario una forma de identificar los temas principales en los
OER sin necesidad de realizar una revisión detallada de cada
recurso.
Se propone en futuros experimentos incluir métodos de
aprendizaje profundo que permitan incluir más factores para
construir un modelo de predicción orientado a la comparación
de metadatos extrayendo las características de los OER.
A
GRADECIMIENTO
El equipo de investigadores agradece a la Universidad
Técnica Particular de Loja, especialmente al Grupo de
Investigación de Sistemas Basados en Conocimiento (KBS-
RG); y, a la SENESCYT de Ecuador.
R
EFERENCIAS
[1] V. Segarra-Faggioni and A. Romero-Pelaez, “Automatic classification
of OER for metadata quality assessment,” in 2022 International
Conference on Advanced Learning Technologies (ICALT), 2022, pp.
16–18. doi: 10.1109/ICALT55010.2022.00011.
[2] X. Ochoa and E. Duval, “Automatic evaluation of metadata quality in
digital repositories,” Int. J. Digit. Libr., vol. 10, no. 2–3, pp. 67–91,
Aug. 2009, doi: 10.1007/s00799-009-0054-4.
[3] J. Chicaiza, N. Piedra, J. Lopez-Vargas, and E. Tovar-Caro,
“Recommendation of open educational resources. An approach based
on linked open data,” null, 2017, doi: 10.1109/educon.2017.7943018.
[4] H. Jelodar et al., “Latent Dirichlet allocation (LDA) and topic
modeling: models, applications, a survey,” Multimed. Tools Appl., vol.
78, no. 11, pp. 15169–15211, Jun. 2019, doi: 10.1007/S11042-018-
6894-4/TABLES/11.
[5] M. Tavakoli, M. Elias, G. Kismihók, and S. Auer, “Metadata analysis
of open educational resources,” in ACM International Conference
Proceeding Series, 2021, pp. 626–631. doi: 10.1145/3448139.3448208.
[6] M. Kim and D. Kim, “A Suggestion on the LDA-Based Topic
Modeling Technique Based on ElasticSearch for Indexing Academic
Research Results,” Appl. Sci., vol. 12, no. 6, p. 3118, Mar. 2022, doi:
10.3390/app12063118.
[7] S. Ozdemirci and M. Turan, “Case Study on well-known Topic
Modeling Methods for Document Classification,” in 2021 6th
International Conference on Inventive Computation Technologies
(ICICT), Jan. 2021, pp. 1304–1309. doi:
10.1109/ICICT50816.2021.9358473.
[8] M. Molavi, M. Tavakoli, and G. Kismihók, “Extracting Topics from
Open Educational Resources,” in Addressing Global Challenges and
Quality Education, 2020, pp. 455–460.
[9] R. Wirth and J. Hipp, “Crisp-dm: towards a standard process modell
for data mining,” 2000. [Online]. Available:
https://api.semanticscholar.org/CorpusID:1211505
[10] P. Haya, “La metodología CRISP-DM en ciencia de datos,”
INSTITUTO DE INGENIERÍA DEL CONOCIMIENTO, 2021.
https://www.iic.uam.es/innovacion/metodologia-crisp-dm-ciencia-
de-datos/
[11] M. Tavakoli, M. Elias, G. Kismihok, and S. Auer, “Quality
Prediction of Open Educational Resources A Metadata-based
Approach,” in 2020 IEEE 20th International Conference on
Advanced Learning Technologies (ICALT), Jul. 2020, pp. 29–31.
doi: 10.1109/ICALT49669.2020.00007.
[12] D. M. Blei, A. Y. Ng, and M. Jordan, “Latent Dirichlet Allocation,”
J. Mach. Learn. Res., vol. 3, pp. 993–1022, 2003, Accessed: Mar. 25,
2019. [Online]. Available:
http://www.jmlr.org/papers/volume3/blei03a/blei03a.pdf
[13] H. Lane, C. Howard, and H. Max Hapke, Natural Language
Processing in Action: Understanding, Analyzing, and Generating
Text with Python. Manning Publications., 2019.
[14] V. Mirjalili and S. Raschka, Python Machine Learning. Marcombo,
2019.
[15] S. Weiss, N. Indurkhya, and T. Zhang, Fundamentals of Predictive
Text Mining, Second Edi. 2015. doi: 10.1007/978-1-4471-6750-1.
[16] S. Bird and E. Loper, “NLTK: The Natural Language Toolkit,” 2006.
Accessed: Oct. 14, 2018. [Online]. Available: www.python.org.
[17] S. Raschka, J. Patterson, and C. Nolet, “Machine Learning in Python:
Main developments and technology trends in data science, machine
learning, and artificial intelligence,” CoRR, vol. abs/2002.0, 2020,
[Online]. Available: https://arxiv.org/abs/2002.04803
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
93
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
AUTHORS
Estudiante de la carrera de Sistemas informáticos y Computación,
Universidad Técnica de Loja.
Participó en el proyecto "Sistema de automatización de riesgos
operativos “SARO” del Banco de Loja" donde se implementaron
diferentes tecnologías para optimizar procesos, mejorar la eficiencia
y prevenir los riesgos, 2021.
Ph.D en Ingeniería por la École de technologie supérieure, Montreal
-Canadá, 2021. La tesis de doctorado fue realizada bajo la dirección de
la Prof. Sylvie Ratté, Ph.D. de la ÉTS, Móntreal, Canadá y codirección
del Prof. Frank de Jong de la Universidad AERES, Wageningen, Países
Bajos.
Participó en un Hackaton en Paises Bajos donde se evaluó los informes
escritos de los alumnos de maestría de la Universidad AERES, 2018.
Realizó pasantías de investigación en CRIM (Centre de Recherche
Informatique de Montréal) como parte del equipo “Parole et Texte”
para análisis de texto utilizando técnicas de procesamiento de
lenguaje natural, 2019.
Magíster en Auditoría de Gestión de la Calidad, Universidad Técnica
Particular de Loja –Ecuador, 2008.
Diploma en Mejora de Procesos, Tecnológico de Monterrey, 2012.
Ingeniera en Sistemas Informáticos y Computación, Universidad
Técnica Particular de Loja - Ecuador.
Licenciada en Ciencias de la Educación Mención Inglés, Universidad
Técnica Particular de Loja - Ecuador.
René Ludeña
Verónica Segarra-Faggioni
R. Ludeña, V. Segarra-Faggioni, A. Romero-Pelaez, J.C. Morocho-Yunga,
“Exploring Topics in Information Technology Open Educational Resources through the LDA Algorithm”,
Latin-American Journal of Computing (LAJC), vol. 11, no. 1, 2024
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
94
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
AUTHORS
Profesor titular a tiempo completo del Departamento de Ciencias de la
Computación y Electrónica en la Universidad Técnica de Loja.
Máster en Ciencias y Tecnologías de la Computación por la Universidad
Politécnica de Madrid.
Sus campos de investigación son: Educación abierta, Modelos de Calidad,
Tecnologías Semánticas, Análisis de Datos y Tecnologías Emergentes.
Profesor titular a tiempo completo del Departamento de Ciencias de la
Computación y Electrónica en la Universidad Técnica de Loja.
Graduado de la Maestría de Inteligencia Artificial en la Universidad
Politécnica de Madrid.
Sus campos de investigación son: Diseño Ontológico, Tecnologías
Semánticas y Análisis de Datos.
Audrey Romero-Peláez
Juan Carlos Morocho-Yunga
R. Ludeña, V. Segarra-Faggioni, A. Romero-Pelaez, J.C. Morocho-Yunga,
“Exploring Topics in Information Technology Open Educational Resources through the LDA Algorithm”,
Latin-American Journal of Computing (LAJC), vol. 11, no. 1, 2024
