Sistema de recomendación basado en modelos híbridos de filtrado colaborativo para jueces de programación en línea
Hoy en día, los jueces en línea de programación desempeñan un papel fundamental en ayudar a los estudiantes a desarrollar habilidades de programación que les son útiles tanto en empresas tecnológicas como en la educación. Debido a esto, muchos jueces en línea ofrecen una cantidad considerable de ret...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2024 |
| País: | Perú |
| Recursos: | Universidad Nacional Mayor de San Marcos |
| Repositorio: | UNMSM-Tesis |
| Idioma: | español |
| OAI Identifier: | oai:cybertesis.unmsm.edu.pe:20.500.12672/23291 |
| Acesso em linha: | https://hdl.handle.net/20.500.12672/23291 |
| Access Level: | acceso abierto |
| Palavra-chave: | Jueces de Programación Online Sistemas de Recomendación Filtrado Colaborativo Ensamblado RandomForest Optimización Bayesiana https://purl.org/pe-repo/ocde/ford#2.02.04 |
| Resumo: | Hoy en día, los jueces en línea de programación desempeñan un papel fundamental en ayudar a los estudiantes a desarrollar habilidades de programación que les son útiles tanto en empresas tecnológicas como en la educación. Debido a esto, muchos jueces en línea ofrecen una cantidad considerable de retos de programación; sin embargo, esta sobrecarga de retos puede frustrar a los estudiantes y hacer que pierdan interés en resolverlos, especialmente debido a su inexperiencia a la hora de seleccionar el próximo desafío de programación. Los sistemas de recomendación surgen para abordar esta situación, aunque en el contexto de los jueces de programación no han sido estudiados exhaustivamente. Por lo tanto, el objetivo de este estudio es mejorar los sistemas de recomendación de jueces de programación mediante modelos híbridos de filtrado colaborativo, utilizando ensamblado vía stacking con el modelo meta de RandomForest y Optimización Bayesiana. Para validar nuestros experimentos, utilizamos los jueces de programación en línea NinjaCoding y CodeChef. Los resultados se evaluaron mediante las pruebas estadísticas de Friedman y Wilcoxon, las cuales indican mejoras entre el 26,08 % y 58,13 % en la predicción de retos en los jueces CodeChef y NinjaCoding, respectivamente. |
|---|