Browsing by Subject "Recommender systems"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Desarrollo de un sistema de recomendaciones personalizadas en la plataforma LMS KME360
    (Pontificia Universidad Javeriana Cali, 2025) Samacá Romero, Carolina; Peña Fajardo, Enrique José; Álvarez Vargas, Gloria Inés; Linares Ospina, Diego Luis
    Este proyecto propone el desarrollo de un sistema de recomendación de contenidos y cursos personalizado para la plataforma LMS kme360. El sistema se diseñará de manera modular y escalable, con la capacidad de adaptarse a las necesidades de cada cliente futuro y a la configuración específica de sus instancias. La implementación de este sistema permitirá que la plataforma pueda ofrecer una experiencia de aprendizaje más personalizada y efectiva a sus usuarios, lo que se traducirá en una mayor satisfacción del cliente, un mejor aprovechamiento de los recursos disponibles y un potencial aumento en la tasa de finalización de los cursos. El proyecto se desarrollará siguiendo la metodología CRISP-DM, que establece seis etapas: comprensión del negocio, comprensión de los datos, preparación de los datos, modelado, evaluación y despliegue. Como resultado principal del proyecto, se obtendrá un modelo de recomendación que responderá a las características puntuales del cliente seleccionado. Se espera que este resultado impacte positivamente en la experiencia de aprendizaje de los usuarios de kme360, aumentando su satisfacción y compromiso con la plataforma.
  • Thumbnail Image
    Item
    Sistema de recomendación de colaboradores académicos basado en clustering de perfiles de investigación
    (Pontificia Universidad Javeriana Cali, 2026) De la Espriella Álvarez, Carolina; Mosquera Valencia, Diego Fernando
    El presente proyecto aplicado aborda el diseño y desarrollo de un sistema de recomendación de colaboradores académicos basado en clustering de perfiles de investigación, orientado a facilitar la identificación de investigadores potencialmente compatibles dentro del Sistema Nacional de Ciencia, Tecnología e Innovación (SNCTI). La importancia del proyecto radica en que la colaboración científica constituye un factor clave para fortalecer redes académicas, formular proyectos interdisciplinarios y aprovechar de manera más eficiente el capital humano científico, sin embargo, los procesos actuales de búsqueda de colaboradores suelen depender de mecanismos manuales, redes personales o información fragmentada, lo que limita la visibilidad de perfiles afines y reduce las oportunidades de articulación entre investigadores. El objetivo general consiste en construir una herramienta de aprendizaje no supervisado que permita caracterizar perfiles académicos, identificar agrupaciones naturales de investigadores y generar recomendaciones de colaboradores potenciales. Para ello, se consolida y prepara una base de datos de investigadores reconocidos por Minciencias, incorporando procesos de limpieza, estandarización, tratamiento de valores atípicos, imputación y construcción de variables derivadas. Posteriormente, se evalúan diferentes técnicas de clustering y se selecciona K Means++ con k = 4 como modelo final, debido a su equilibrio entre desempeño técnico, estabilidad e interpretabilidad. Como resultado, se identifican cuatro arquetipos de investigadores y se diseña un motor de recomendación basado en similitud vectorial y consulta k-NN, capaz de generar listas ordenadas de colaboradores potenciales dentro de cada segmento. Además, se desarrolla una aplicación interactiva que operacionaliza el modelo y permite consultar perfiles, visualizar el arquetipo asociado y obtener recomendaciones de investigadores compatibles. La solución propuesta tiene aplicaciones potenciales en la gestión de redes científicas, la conformación de equipos de investigación, el fortalecimiento de capacidades institucionales, la identificación de aliados académicos y el apoyo a estrategias de colaboración interdisciplinaria. Su alcance corresponde a un prototipo funcional con viabilidad técnica para despliegue controlado, sujeto a futuras validaciones con usuarios reales y actualización con nuevas fuentes de información.