����������������������������������������������������������������������������������

 

Sistemas de recomendaci�n personalizados: implementaci�n de sistemas de recomendaci�n utilizando t�cnicas de machine learning para mejorar la experiencia del usuario en plataformas en l�nea

 

Personalized recommendation systems: implementation of recommendation systems using machine learning techniques to improve user experience on online platforms

 

Sistemas de recomenda��o personalizados: implementa��o de sistemas de recomenda��o utilizando t�cnicas de aprendizado de m�quina para melhorar a experi�ncia do usu�rio em plataformas on-line

 

 

 

 

 

 

 

 

 

Correspondencia: nsalgado@itsjapon.edu.ec

 

Ciencias de la Educaci�n

Art�culo de Investigaci�n

 

 

��

* Recibido: 30 de noviembre de 2023 *Aceptado: 22 de diciembre de 2023 * Publicado: �17 de enero de 2024

 

        I.            Instituto Tecnol�gico Superior Jap�n, Quito, Ecuador.

      II.            Instituto Tecnol�gico Superior Jap�n, Quito, Ecuador.

 

 

Resumen

Este estudio se propone indagar en la implementaci�n de sistemas de recomendaci�n, haciendo uso de t�cnicas de aprendizaje autom�tico, con el prop�sito de potenciar la vivencia del usuario en plataformas digitales. Adoptando un enfoque metodol�gico cualitativo basado en la revisi�n bibliogr�fica, se examinan investigaciones previas centradas en la incorporaci�n de sistemas de recomendaci�n en diversos contextos, como comercio digital, salud, educaci�n y gobernabilidad. La s�ntesis cualitativa de estos hallazgos busca identificar patrones, tendencias y desaf�os comunes, proporcionando una comprensi�n pormenorizada de las experiencias y pr�cticas pasadas en distintos entornos. Los resultados obtenidos se centran en lecciones aprendidas y mejores pr�cticas subrayadas en la literatura, concentr�ndose en aspectos cualitativos inherentes a la instauraci�n de sistemas de recomendaci�n. Este enfoque cualitativo aspira a enriquecer la comprensi�n de estrategias clave y consideraciones esenciales para alcanzar una ejecuci�n efectiva en plataformas digitales. En resumen, esta investigaci�n contribuye a desentra�ar factores cualitativos cr�ticos que influyen en la implementaci�n de sistemas de recomendaci�n, proporcionando direcci�n valiosa para futuras instancias.

Palabras clave: Recomendaci�n digital; Aprendizaje autom�tico; Vivencia del usuario; Ejecuci�n; Plataformas en l�nea.

 

Abstract

This study proposes to investigate the implementation of recommendation systems, using automatic learning techniques, with the purpose of enhancing the user's experience on digital platforms. Adopting a qualitative methodological approach based on bibliographic review, previous investigations focused on the incorporation of recommendation systems in different contexts, such as digital commerce, health, education and governance, are examined. The qualitative synthesis of these hallmarks seeks to identify common patrons, trends and challenges, providing a detailed understanding of experiences and practices spent in different environments. The results obtained are centered on lessons learned and best practices based on literature, concentrating on qualitative aspects inherent to the establishment of recommendation systems. This qualitative approach aspires to enrich the understanding of key strategies and essential considerations to achieve effective execution on digital platforms. In summary, this investigation contributes to uncovering critical qualitative factors that influence the implementation of recommendation systems, providing valuable guidance for future instances.

Keywords: Digital recommendation; Automatic learning; User experience; Execution; Online platforms.

 

Resumo

Este est�dio se prop�e a se aprofundar na implementa��o de sistemas de recomenda��o, fazendo uso de t�cnicas de aprendizagem autom�tica, com o objetivo de potencializar a viv�ncia do usu�rio em plataformas digitais. Adotando uma abordagem metodol�gica qualitativa baseada na revis�o bibliogr�fica, s�o examinadas investiga��es anteriores focadas na incorpora��o de sistemas de recomenda��o em diversos contextos, como com�rcio digital, sa�de, educa��o e governan�a. A s�ntese qualitativa desses hallazgos busca identificar padr�es, tend�ncias e desafios comunit�rios, proporcionando uma compreens�o detalhada das experi�ncias e pr�ticas passadas em diferentes ambientes. Os resultados obtidos s�o centrados em aulas aprendidas e melhores pr�ticas apresentadas na literatura, concentrando-se em aspectos qualitativos inerentes � instala��o de sistemas de recomenda��o. Esta abordagem qualitativa aspira enriquecer a compreens�o de estrat�gias chaves e considera��es essenciais para alcan�ar uma execu��o efetiva em plataformas digitais. Em resumo, esta investiga��o contribui para descobrir fatores cr�ticos que influenciam a implementa��o de sistemas de recomenda��o, fornecendo direcionamento valioso para inst�ncias futuras.

Palavras-chave: Recomenda��o digital; Aprendizagem autom�tica; Viv�ncia do usu�rio; Execu��o; Plataformas online.

 

Introducci�n

En el continuo y din�mico panorama de las plataformas en l�nea, la relevancia de personalizar la experiencia del usuario ha adquirido una importancia inigualable. En este contexto, la investigaci�n se enfoca en el despliegue y perfeccionamiento de sistemas de recomendaci�n mediante el empleo de t�cnicas avanzadas de machine learning. La esencia de este estudio radica en la creaci�n de recomendaciones personalizadas que no solo maximicen la satisfacci�n del usuario, sino que tambi�n optimicen la eficiencia de las plataformas digitales. A trav�s de la integraci�n de estos sistemas, se busca no solo anticipar las necesidades y preferencias de los usuarios, sino tambi�n impulsar la retenci�n y participaci�n en diversas plataformas en l�nea.

En este contexto, las investigaciones previas han contribuido significativamente al campo de los sistemas de recomendaci�n personalizados. Ye (2023) aporta valiosos insights a trav�s de su trabajo en la implementaci�n de un chatbot de recomendaci�n musical basado en Dialogflow. Este enfoque ofrece una perspectiva �nica al incorporar la interacci�n conversacional para entender las preferencias musicales de los usuarios. Adem�s, Melgarejo (2023) destaca por su Sistema de recomendaci�n de prendas basado en reconocimiento corporal (SISCORP), ofreciendo una visi�n innovadora al utilizar el reconocimiento corporal como factor determinante en las recomendaciones.

El trabajo de Galv�n (2023) sobre machine learning aplicado a la mercadotecnia digital se presenta como un pilar fundamental para comprender la integraci�n de estas t�cnicas en entornos comerciales. Por otro lado, Monroy (2023) contribuye al �mbito educativo mediante el dise�o de un sistema de aprendizaje adaptativo con machine learning, dirigido espec�ficamente a estudiantes en Colombia.

Por otro lado, Julca-Mejia & Paucar-Curasma (2023) ofrecen un enfoque especializado al presentar un sistema de recomendaci�n basado en contenido para jueces de programaci�n, utilizando procesamiento de lenguaje natural y aprendizaje profundo. Este estudio demuestra la versatilidad de las t�cnicas de machine learning en contextos especializados.

As� tambi�n, Ten�s (2023) destaca en el �mbito de la formaci�n al proponer un sistema para generar recomendaciones de cursos, mientras que Cueva & Ruiz (2022) enfocan su investigaci�n en un sistema de recomendaciones basado en e-learning para la capacitaci�n del personal de embarcaciones.

Mientras que, Ar�valo & Moreno (2023) introducen la aplicaci�n m�vil como plataforma para sistemas de filtrado de informaci�n mediante machine learning, centrada en el sector del calzado. Adem�s, Calder�n (2023) aborda la predicci�n en l�nea del abandono de carritos de compras en sitios web de e-commerce utilizando t�cnicas de machine learning, resaltando la aplicabilidad de estas t�cnicas en el �mbito comercial.

Finalmente, Torres-Herrera et al. (2024) aportan una perspectiva desde la docencia con su revisi�n sistem�tica sobre sistemas recomendadores como herramienta en la labor docente.

En conjunto, estas investigaciones contribuyen de manera significativa al entendimiento y aplicaci�n de sistemas de recomendaci�n personalizados, marcando el camino hacia un enfoque m�s refinado y eficaz en la mejora de la experiencia del usuario en plataformas en l�nea.

 

Revisi�n de literatura

La literatura existente en el �mbito de la implementaci�n de sistemas de recomendaci�n mediante t�cnicas de machine learning abarca diversas perspectivas y enfoques. Blas et al. (2023) exploraron el uso de inteligencia artificial en sistemas de recomendaci�n m�dica, con el objetivo de mejorar la precisi�n y relevancia de las sugerencias en entornos cl�nicos. La metodolog�a incluy� revisi�n exhaustiva de estudios m�dicos y an�lisis de datos para evaluar la eficacia de las recomendaciones. Concluyeron que la aplicaci�n de t�cnicas de machine learning puede potenciar significativamente la calidad de las recomendaciones m�dicas.

Ahora bien, Hortua (2023) se centran en el dise�o e implementaci�n de una aplicaci�n web para la recomendaci�n de estudios universitarios. Su enfoque metodol�gico incorpora encuestas y entrevistas a estudiantes universitarios para comprender sus preferencias y necesidades acad�micas. Los resultados indican que la implementaci�n de sistemas de recomendaci�n puede ser clave para facilitar la toma de decisiones educativas.

De la misma manera, �lvarez & Qui�onez (2023) presentan una tesis doctoral sobre la implementaci�n de un sistema de recomendaciones para licitaci�n de contrataciones p�blicas en Ecuador. Su investigaci�n se bas� en t�cnicas de machine learning explicables, utilizando datos de contrataciones previas y entrevistas con profesionales del sector. Las conclusiones resaltan la viabilidad de aplicar estos sistemas en entornos gubernamentales para mejorar la eficiencia en procesos de contrataci�n.

Agregando a lo anterior, Robles (2023) aborda el desarrollo de un aplicativo web para sistemas de recomendaci�n de pr�cticas preprofesionales en la bolsa de trabajo universitaria. La metodolog�a incluy� encuestas a estudiantes y empresas para comprender las expectativas y necesidades de ambas partes. Los resultados indican que la implementaci�n de sistemas de recomendaci�n puede agilizar la colocaci�n de estudiantes en pr�cticas profesionales.

En esa misma l�nea, Isusqui et al. (2023) exploran la aplicaci�n de inteligencia artificial en la gesti�n educativa. Su investigaci�n se basa en entrevistas y observaciones en instituciones educativas para evaluar la efectividad de la implementaci�n de sistemas de recomendaci�n en la mejora de la gesti�n educativa. Los resultados sugieren que estos sistemas pueden contribuir significativamente a la eficiencia administrativa y acad�mica.

Adem�s, Canta (2023) lleva a cabo un estudio sobre un sistema de recomendaci�n avanzado, centrado en el aprendizaje colaborativo de m�tricas. La metodolog�a incluy� an�lisis de datos de interacciones entre usuarios y la plataforma de recomendaci�n. Los resultados destacan la importancia del aprendizaje colaborativo en la mejora de la precisi�n de las recomendaciones.

Por consiguiente, Espino & Mel�ndez (2023) proponen un sistema de recomendaci�n con machine learning que utiliza reconocimiento facial para sugerir peinados. Su investigaci�n se bas� en la recopilaci�n de datos de preferencias de usuarios mediante encuestas y la aplicaci�n de algoritmos de reconocimiento facial. Concluyen que la implementaci�n de t�cnicas de machine learning, combinadas con el reconocimiento facial, puede personalizar de manera efectiva las recomendaciones.

Por otro lado, Fieiras-Ceide et al. (2023) exploran las tendencias en algoritmos e inteligencia artificial para la personalizaci�n de medios de comunicaci�n p�blicos en Europa. La metodolog�a incluy� revisi�n de literatura y an�lisis de tendencias en la implementaci�n de algoritmos en servicios de medios. Los resultados resaltan la necesidad de adaptar los sistemas de recomendaci�n a contextos culturales y sociales espec�ficos.

En consecuencia, Arcos (2023) presenta un m�dulo de recomendaciones autom�ticas para un sistema de VR-Shopping. La metodolog�a incorpor� pruebas y observaciones de usuarios durante sesiones de realidad virtual. Los resultados indican que la implementaci�n de sistemas de recomendaci�n puede mejorar la experiencia de compra en entornos virtuales.

En conclusi�n, estas investigaciones ofrecen una visi�n completa y diversa sobre la implementaci�n de sistemas de recomendaci�n utilizando t�cnicas de machine learning en distintos contextos, desde la medicina hasta la educaci�n y el comercio. Estos estudios demuestran la versatilidad y efectividad de estas tecnolog�as en la mejora de la experiencia del usuario en plataformas en l�nea.

 

Metodolog�a

En la presente investigaci�n sobre la implementaci�n de sistemas de recomendaci�n utilizando t�cnicas de machine learning con el objetivo de mejorar la experiencia del usuario en plataformas en l�nea, se adoptar� una metodolog�a cualitativa de investigaci�n, siguiendo las pautas propuestas por Hern�ndez et al. (2014). La metodolog�a se enfocar� en realizar una revisi�n exhaustiva de la literatura existente, abordando estudios previos que examinen la implementaci�n y los resultados obtenidos de sistemas de recomendaci�n en diversas �reas, como comercio electr�nico, salud, educaci�n y gobierno. Este enfoque cualitativo permitir� identificar patrones, tendencias y desaf�os comunes en la implementaci�n de dichos sistemas, brindando una comprensi�n detallada de las experiencias y pr�cticas previas en distintos contextos.

En el marco de esta metodolog�a de investigaci�n, se llevar� a cabo una s�ntesis cualitativa de los hallazgos, resaltando lecciones aprendidas y mejores pr�cticas identificadas en la literatura. Esta s�ntesis cualitativa permitir� obtener una perspectiva enriquecedora sobre las estrategias y consideraciones clave en la implementaci�n de sistemas de recomendaci�n, destacando tanto los �xitos como las limitaciones experimentadas en estudios previos. A trav�s de este enfoque cualitativo dentro de la metodolog�a de investigaci�n, se busca profundizar en la comprensi�n de los aspectos cualitativos inherentes a la implementaci�n de sistemas de recomendaci�n, proporcionando orientaci�n valiosa para futuras implementaciones en plataformas en l�nea.

 

Resultados

Los resultados de la investigaci�n proporcionan una visi�n integral de las ventajas y desventajas asociadas a la implementaci�n de sistemas de recomendaci�n mediante t�cnicas de machine learning en diversos campos. En el �mbito gubernamental, la aplicaci�n de sistemas de recomendaci�n en licitaciones p�blicas en Ecuador result� beneficiosa al mejorar la eficiencia administrativa y reducir costos, aunque se destaca la necesidad de abordar la explicabilidad de los algoritmos para garantizar la transparencia.

En el sector del comercio electr�nico, la introducci�n de recomendaciones autom�ticas en un sistema de VR-Shopping gener� un aumento significativo en las ventas. Sin embargo, se identifica la preocupaci�n sobre la privacidad de los usuarios como una desventaja clave, dado que implica el manejo de datos sensibles.

En la industria del calzado, la aplicaci�n de sistemas de filtrado de informaci�n en una app m�vil brind� beneficios econ�micos al facilitar la b�squeda de productos. No obstante, se se�ala la posible creaci�n de burbujas de informaci�n como desventaja, limitando la diversidad de opciones para los usuarios.

En el �mbito de la salud, la integraci�n de inteligencia artificial en sistemas de recomendaci�n m�dica demostr� beneficios econ�micos al mejorar la precisi�n diagn�stica y reducir costos. La resistencia cultural y �tica en la adopci�n de estos sistemas se destaca como una desventaja crucial, dada la diversidad de pr�cticas y creencias m�dicas.

Adem�s, los resultados de otras investigaciones en �reas como la capacitaci�n, la moda y la educaci�n indican beneficios econ�micos y mejoras en la experiencia del usuario. Sin embargo, desaf�os como superar barreras de acceso, abordar preocupaciones sobre la privacidad y gestionar la equidad en el acceso a la tecnolog�a son aspectos cr�ticos a considerar.

En el �mbito de la mercadotecnia digital, el uso de machine learning para personalizar estrategias publicitarias result� ventajoso al aumentar la efectividad de las campa�as, aunque la privacidad del usuario se destac� como una preocupaci�n clave.

En definitiva, la implementaci�n de sistemas de recomendaci�n ofrece beneficios econ�micos y mejoras en la experiencia del usuario en diversos campos, pero es esencial abordar desaf�os relacionados con la privacidad, la equidad en el acceso y la percepci�n cultural y �tica para garantizar una implementaci�n efectiva y aceptaci�n generalizada en la sociedad contempor�nea. Estos resultados enfatizan la importancia de un enfoque equilibrado que aproveche las ventajas econ�micas de estos sistemas mientras se abordan proactivamente las posibles desventajas y preocupaciones asociadas a la cultura y la �tica en diferentes �reas de aplicaci�n

 

Discusi�n

La implementaci�n de sistemas de recomendaci�n mediante t�cnicas de machine learning en plataformas en l�nea ha emergido como un �rea crucial de investigaci�n, con un impacto significativo tanto en t�rminos econ�micos como culturales. En este contexto, se presenta una tabla de discusi�n que aborda espec�ficamente los beneficios econ�micos y culturales derivados de la aplicaci�n de estos sistemas, tomando como base una cuidadosa revisi�n de la literatura especializada. Cada entrada en la tabla se sustenta en investigaciones espec�ficas que exploran c�mo la personalizaci�n de recomendaciones puede generar eficiencias econ�micas, mejorar la experiencia del usuario y, al mismo tiempo, promover pr�cticas culturales diversas y aut�nticas. Este an�lisis detallado destaca la versatilidad y la importancia de los sistemas de recomendaci�n con machine learning en la optimizaci�n de plataformas en l�nea, evidenciando c�mo su aplicaci�n puede traducirse en beneficios tanto para las dimensiones econ�micas como para las culturales de la sociedad contempor�nea.

 

Tabla 1.

Beneficios Econ�micos y Culturales de la Implementaci�n de Sistemas de Recomendaci�n con Machine Learning en Plataformas en L�nea

Autores	Beneficios Econ�micos	Beneficios Culturales
�lvarez & Qui�onez (2023)	La implementaci�n de sistemas de recomendaci�n para licitaci�n de contrataciones p�blicas en Ecuador, basados en t�cnicas de machine learning explicables, puede generar eficiencias econ�micas al optimizar los procesos de contrataci�n y reducir costos administrativos.	Desde una perspectiva cultural, este enfoque puede contribuir a la transparencia en los procesos gubernamentales, fortaleciendo la confianza de la sociedad en las pr�cticas de contrataci�n. Adem�s, al hacer m�s accesible la informaci�n sobre contrataciones p�blicas, se fomenta la participaci�n ciudadana.
Arcos (2023)	La introducci�n de un m�dulo de recomendaciones autom�ticas en un sistema de VR-Shopping puede aumentar la eficiencia econ�mica al impulsar las ventas mediante la personalizaci�n de la experiencia de compra.	Culturalmente, esta implementaci�n podr�a transformar la manera en que los consumidores interact�an con las plataformas de comercio electr�nico, creando una experiencia de compra m�s atractiva y adaptada a las preferencias individuales de los usuarios.
Ar�valo & Moreno (2023)	La aplicaci�n de sistemas de filtrado de informaci�n mediante machine learning en una app m�vil centrada en el sector del calzado puede mejorar la eficiencia econ�mica al facilitar la b�squeda y adquisici�n de productos.	Desde una perspectiva cultural, esta implementaci�n puede preservar y difundir el conocimiento sobre el sector del calzado, promoviendo la diversidad y autenticidad cultural en la industria.
Blas et al. (2023)	La incorporaci�n de inteligencia artificial en sistemas de recomendaci�n m�dica puede conducir a beneficios econ�micos al mejorar la precisi�n diagn�stica y reducir costos asociados a tratamientos innecesarios.	Culturalmente, esta implementaci�n puede tener un impacto positivo al ofrecer soluciones de salud personalizadas, respetando las particularidades culturales y considerando la diversidad de pr�cticas y creencias m�dicas.

 

Conclusiones

La integraci�n de sistemas de recomendaci�n personalizada mediante t�cnicas de machine learning se erige como un componente esencial para potenciar la experiencia del usuario en diversas plataformas en l�nea. Desde la optimizaci�n de procesos gubernamentales hasta la simplificaci�n de b�squedas en el comercio electr�nico, estos sistemas han desempe�ado un papel crucial en la eficiencia y satisfacci�n de los usuarios.

Sin embargo, la creciente dependencia de estos sistemas plantea desaf�os sustanciales, especialmente en lo que respecta a la privacidad y la �tica. Inquietudes sobre la gesti�n de datos sensibles, la transparencia de los algoritmos y la creaci�n de burbujas informativas son aspectos fundamentales que deben abordarse de manera proactiva para garantizar la confianza y aceptaci�n generalizada.

La aplicaci�n de sistemas de recomendaci�n en sectores como la salud y la educaci�n ha ampliado las posibilidades de personalizaci�n y adaptaci�n en entornos profesionales y acad�micos. A pesar de ello, la resistencia cultural y �tica en la adopci�n de estas tecnolog�as destaca la necesidad de considerar cuidadosamente la diversidad de pr�cticas y creencias en distintos contextos.

Un enfoque equilibrado en la implementaci�n de sistemas de recomendaci�n resulta crucial para capitalizar sus beneficios econ�micos sin comprometer valores �ticos y culturales. Superar obst�culos de acceso tecnol�gico y garantizar una distribuci�n equitativa de estas herramientas son aspectos esenciales para asegurar que todos los usuarios, independientemente de su entorno o contexto, se beneficien de manera equitativa.

El horizonte futuro de los sistemas de recomendaci�n con machine learning se avizora prometedor, con avances continuos en la capacidad de personalizaci�n y adaptaci�n. La incorporaci�n de t�cnicas m�s avanzadas, como el reconocimiento facial en el sector de la moda, sugiere una evoluci�n constante para mejorar la experiencia del usuario y la eficacia de estas herramientas.

A medida que estos sistemas se vuelven m�s omnipresentes, la necesidad de establecer est�ndares �ticos y regulaciones claras se vuelve imperativa. La colaboraci�n entre expertos en machine learning, �tica y privacidad, as� como con las comunidades de usuarios, ser� esencial para desarrollar pr�cticas sostenibles y responsables que garanticen el beneficio general de la sociedad en la era digital.

 

Referencias

�lvarez Villamarin, G. D. R., & Qui�onez Castillo, M. A. (2023). Implementaci�n de un sistema de recomendaciones para licitaci�n de contrataciones p�blicas en Ecuador basado en t�cnicas de Machine Learning explicables (Doctoral dissertation, Universidad de Guayaquil. Facultad de Ciencias Matem�ticas y F�sicas. Carrera de Ingenier�a en Networking y Telecomunicaciones).

Arcos, M. G. (2023). M�dulo de recomendaciones autom�ticas para un sistema de VR-Shopping.

Ar�valo Jer�z, G., & Moreno Corzo, F. E. (2023). Dise�o de app m�vil que utiliza sistemas de filtrado de informaci�n mediante machine learning para identificar, recomendar y describir los datos de contacto de personas que laboran en el sector del calzado.

Blas, J. A. C., Cerd�n, M. A., Garc�a, A. J. S., & Isidro, S. D. (2023). Inteligencia Artificial en Sistemas de recomendaci�n M�dica: Una revisi�n de la Literatura. ReCIBE, Revista electr�nica de Computaci�n, Inform�tica, Biom�dica y Electr�nica, 12(2), C3-20.

Calder�n Mendoza, B. (2023). Predicci�n en l�nea del abandono de carrito de compras de un cliente en el sitio web de un e-commerce con t�cnicas de machine learning.

Canta Belategui, M. (2023). Estudio sobre un sistema de recomendaci�n avanzado: aprendizaje colaborativo de m�tricas.

Cueva Carmona, M. A., & Ruiz Huamani, R. J. (2022). Sistema de recomendaciones basado en E-learning para la capacitaci�n del personal de embarcaciones en la Empresa Servicio Generales Urka EIRL 2022.

Espino Gallegos, A. S., & Mel�ndez Acosta, U. Sistema de recomendaci�n con machine learning que utiliza reconocimiento facial para sugerir peinados.

Fieiras-Ceide, C., Vaz-�lvarez, M., & T��ez-L�pez, M. (2023). Designing personalization of European public service media (PSM): trends on algorithms and artificial intelligence for content distribution. Profesional de la informaci�n, 32(3).

Galv�n Espinoza, A. L. A. N. (2023). Machine learning aplicado a la mercadotecnia digital.

Hern�ndez, R., Fern�ndez, C., & Baptista, P. (2014). Metodolog�a de la investigaci�n. M�xico D.F.: McGraw-Hill.

Hortua L�pez, Y. S. (2023). Dise�o e implementaci�n de aplicaci�n web para la recomendaci�n de estudios universitarios.

Isusqui, J. C. P., Villavicencio, I. E. S., Inga, C. V., Guti�rrez, H. O. C., D�az, B. L. G., & Amaya, K. L. A. (2023). La Inteligencia Artificial al servicio de la gesti�n y la implementaci�n en la educaci�n.

Julca-Mej�a, W., & Paucar-Curasma, H. (2023). Sistema de Recomendaci�n basado en Contenido para Jueces de Programaci�n utilizando Procesamiento de Lenguaje Natural y Aprendizaje Profundo. Revista peruana de computaci�n y sistemas, 5(1), 25-32.

Melgarejo Paucar, R. A. (2023). Sistema de recomendaci�n de prendas basado en reconocimiento corporal (SISCORP).

Monroy Dur�n, C. A. (2023). Dise�ar un sistema de aprendizaje adaptativo con machine learning para estudiantes en Colombia.

Robles Ledesma, M. J. (2023). Desarrollo de un aplicativo web para sistemas de recomendaci�n de pr�cticas preprofesionales en la bolsa de trabajo para los estudiantes de la Universidad Polit�cnica Salesiana (Bachelor's thesis).

Ten�s Trillo, E. (2023). Sistema para generar recomendaciones de cursos en una plataforma de formaci�n.

Torres-Herrera, M., Cuaya-Simbro, G., & Canales-Castillo, C. (2024). Sistemas recomendadores como herramienta en la labor docente: una revisi�n sistem�tica. P�di Bolet�n Cient�fico de Ciencias B�sicas e Ingenier�as del ICBI

Ye, C. (2023). Chatbot de recomendaci�n musical basado en Dialogflow.

 

� 2024 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).