337
| C | V. XXV | N. 30 | - | 2020 | | ISSN (): - | ISSN ( ): - |
Uso de Machine Learning en la creación de páginas
web a medida de los usuarios
rEsumEn
El presente estudio analiza cómo Machine Learning
puede ser de gran utilidad para desarrollar interfaces
con ingeniería semiótica en la obtención de páginas
web usables. Del mismo modo, también analiza cómo
contribuye al uso de los modelos predictivos para
estructurar páginas web anticipándose a las necesidades
de los usuarios. Para analizar cómo contribuye el análisis
de las necesidades del usuario en la estructura de las
páginas web y cómo inuyen las páginas web usables
en el nivel de satisfacción de los usuarios se realizó una
encuesta a 330 alumnos de la Facultad de Ingeniería y
Arquitectura de la Universidad de San Martín de Porres
matriculados en el ciclo 2019-2; así como, también se
realizó una prueba ing Aloud entre un grupo de seis
estudiantes. La elaboración de una página web a medida
de los usuarios tiende a ser un proceso extenuante que
requiere varias etapas y evaluaciones. Por lo tanto, en
esta investigación se analiza cómo un modelo Machine
Learning puede ser de utilidad para anticiparse a las
necesidades y requerimientos de los usuarios.
Palabras clave: machine learning, ingeniería semiótica,
modelos predictivos
abstraCt
is study analyzes how Machine Learning can
be very useful to develop interfaces with semiotic
engineering in obtaining usable web pages. In the
same way, it also analyzes how it contributes to the
use of predictive models to structure web pages in
anticipation of the needs of users. To analyze how the
analysis of user needs contributes to the structure of
web pages and how usable web pages inuence the level
of user satisfaction, a survey was conducted with 330
students from the USMP School of Engineering and
Architecture enrolled in the semester 2019-2 , as well
as a ing Aloud test among a group of six students.
e development of a web page tailored to users tends
to be a strenuous process that requires several stages
and evaluations. erefore, this research analyzes how
a Machine Learning model can be useful to anticipate
the needs and requirements of users.
Key words: machine learning, semiotic engineering,
predictive models
A M Q R
L C S
R C P
1 Universidad de San Martín de Porres
aquisper@usmp.pe
2 Universidad de San Martín de Porres
3 Universidad de Nacional Federico Villarreal
Use of Machine Learning in the creation of custom Websites
Recibido: julio 25 de 2020 | Revisado: setiembre 23 de 2020 | Aceptado: octubre 02 de 2020
https://doi.org/10.24265/campus.2020.v25n30.09
| C | V. XX V | N. 30 | PP. - | - | |
© Los autores. Este artículo es publicado por la Revista Campus de la Facultad de Ingeniería y Arquitectura de la Universidad
de San Martín de Porres. Este artículo se distribuye en los términos de la Licencia Creative Commons Atribución No-comercial
– Compartir-Igual 4.0 Internacional (https://creativecommons.org/licenses/ CC-BY), que permite el uso no comercial,
distribución y reproducción en cualquier medio siempre que la obra original sea debidamente citada. Para uso comercial
contactar a: revistacampus@usmp.pe.
338
| C | V. XXV | N. 30 | - | 2020 | | ISSN (): - | ISSN ( ): - |
Introducción
Las pruebas de usabilidad han sido
utilizadas para probar la experiencia del
usuario sobre una posible solución o
analizar si una solución actual se encuentra
funcionando según las expectativas de los
usuarios. Existe una necesidad de los
usuarios de sentir que una página web es
útil y que está diseñada para atender sus
necesidades. Sin embargo, las páginas
web son diseñadas tomando en cuenta
la experiencia de los desarrolladores o
diseñadores web siguiendo sus propios
entendimientos de lo que quiere el usuario
y en algunas ocasiones siguiendo aspectos
de usabilidad y teoría de color.
Si un sitio web no se construye a
partir de las necesidades de sus usuarios
potenciales y no se diseña con las facilidades
necesarias, el visitante no puede encontrar
información relevante y entonces lo
abandonará (Perez, 2003). Con el uso de
Machine Learning se puede identicar la
estructura que es la más adecuada para
cada tipo de usuario y así obtener una
página Web personalizada. Es un proceso
de inducción de conocimiento ya que
permite obtener un enunciado general a
partir de información no estructurada.
La satisfacción del usuario es un
concepto complejo y difícil de delimitar,
pero entre las variables que la condicionan
podemos destacar el diseño del sitio web,
el cual modelará la experiencia del usuario,
posibilitando o impidiendo al usuario
la consecución de sus objetivos. Son los
requisitos de accesibilidad y usabilidad,
entendidos como pautas de calidad de
las interfaces o las características del
software y del hardware en la interacción
de los individuos; los que habilitan o
deshabilitan la inclusión digital. Lo
que provoca el no tener en cuenta los
factores humanos se maniesta en web
inaccesibles, en recursos educativos
inusables, en cansancio y desinterés por
la sobre información existente en la web.
Lo que produce interacciones incompletas
y porta una paradoja: sociedades de la
información y el conocimiento que no
informan no comunican, no permiten
generar conocimiento (Paz, 2012).
Estado del arte
La Semiótica en el proceso de
comunicación de una página web
Semiótica es la disciplina encargada
del estudio del signo, es decir, aquello que
se emplea para representar una idea o un
objeto diferente de sí mismo. Aborda la
interpretación y producción de sentido que
se genera a partir del signo aunque no trata
del signicado. Este proceso comunicativo
entre las personas se realiza de manera verbal
y no verbal. El objetivo de la comunicación
es adaptarse a los requerimientos del
entorno. Es aquí donde la semiótica juega
un rol importante porque como parte de
la comunicación no verbal, su objetivo es
causar impacto en las personas que utilizan
una página web y por lo tanto, afectar en el
grado de usabilidad de la misma.
La Ingeniería Semiótica se basa en
la teoría de la Interacción Humano
Computador (HCI) y en la teoría semiótica.
Su objetivo es mejorar la interpretación del
diseño de los aplicativos web, de manera
que sean fáciles de entender y que sigan
un modelo comunicativo acorde con cada
uno de los usuarios que visitan o utilizan
el mismo. La ingeniería semiótica pueda
ayudar a diseñar las opciones y el entorno
de los aplicativos Web de manera que
transmitan signicados adecuados.
A M Q R - L C S - R C P
339
| C | V. XXV | N. 30 | - | 2020 | | ISSN (): - | ISSN ( ): - |
La ingeniería semiótica se propuso
inicialmente como un enfoque para
diseñar lenguajes de interfaz de usuario.
Sin embargo, ha evolucionado durante
años hasta convertirse en una teoría
semiótica de HCI. La teoría se concentra
en dos conceptos fundamentales
denominada metacomunicación y
signicado. La metacomunicación tiene
que ver con la “comunicación sobre la
comunicación” (Abdelzad & Lethbridge,
2016). Es así como la ingeniería semiótica
está siendo utilizada para establecer una
comunicación con los usuarios y que estos
puedan entender y utilizar la página web
tal como se ha establecido en el momento
de diseñar.
El Consejo Internacional en Ingeniería
de Sistemas (International Council on
Systems Engineering) y la Sociedad
Internacional en Ciencia de Sistemas
(International Society for the Systems
Sciences) desarrollaron el proyecto
“Lenguaje común para una práctica de
sistemas” (International Federation for
Systems Research [IFSR], 2012). Como
parte de este lenguaje común se identican,
exploran y entienden los patrones de
complejidad a través de los cimientos de
la ciencia de sistemas conformados por los
postulados ontoepistemológicos, la teoría
de las metodologías, la praxiología o teoría
de la acción efectiva, la semiótica, la teoría
de las categorías, la teoría del valor y la
ética, entre otras. Así mismo, las teorías
de sistemas propiamente se engloban
como Teoría General de Sistemas, y entre
ellas encontramos patología de sistemas,
complejidad, sistemas anticipatorios,
cibernética, autopoiesis, sistemas vivientes,
ciencia del diseño genérico, teoría de la
organización. A su vez, las representaciones
de la ciencia de sistemas se hacen a través
de modelos, dinámica de sistemas, redes,
autómatas celulares, ciclos de vida, grafos,
imágenes ricas, simulaciones basadas en
agentes (IFSR, 2012).
Es así que los usuarios de la web
reciben información de todo tipo,
responden a patrones lingüísticos y
culturales repetidos. Por lo tanto,
cuando se encuentran utilizando un
aplicativo o página web y hallan una
letra, un texto, una imagen estática o en
movimiento, dicho objeto puede tener
varios signicados para el usuario, lo que
lo convierte en un signo que puede ser
lingüístico, visual o auditivo.
Tabla 1
Análisis de los elementos de la interfaz web utilizando la semiótica (Adaptado de Connolly and
Phillips 2002) (Sjöström, 2003).
Nivel Semiótico Signicado del botón “Enviar”
Físico Grupo de pixeles
Empírico Forma visible
Sintáctico Iconocapaz de distinguirse y sercombinado conotros iconos.
Semántico Portadora de signicado
Pragmático Instrumento para la comunicación
Social Herramienta paraayudar al usuario arealizaruna accióninterpersonal
U M L
340
| C | V. XXV | N. 30 | - | 2020 | | ISSN (): - | ISSN ( ): - |
Creación del perl semiótico
En la creación del perl semiótico
se realiza la reconstrucción del meta-
mensaje que es transmitido al usuario
a través de la interfaz, y a medida
que el evaluador va haciendo tal
reconstrucción, él debe direccionar los
desencuentros entre lo que el diseñador
pretendía decir y las evidencias de cómo
los usuarios están interpretando lo que
él dice (Bento & Xavier, 2012) . Las
siguientes preguntas propuestas por De
Souza en el año 2005 permiten crear el
perl semiótico (Sarzoza, 2009):
• ¿Quién pienso que son o serán los
usuarios del producto de mi diseño?
• ¿Qué he aprendido acerca de las
necesidades y de lo que desean estos
usuarios?
• ¿Cuáles pienso que son las preferencias
de los usuarios con respecto a lo que
desean y sus necesidades? ¿Por qué?
• ¿Qué sistema he diseñado para estos
usuarios y cómo puede o debería ser
usado?
• ¿Cuál es mi visión de diseño?
Machine Learning
El aprendizaje máquina, o aprendizaje
automático – machine learning (ML) –
es una rama de la inteligencia articial
cuyo objetivo es desarrollar técnicas que
permitan a los ordenadores aprender
(Mouriño, 2017). Dentro del campo
de la Inteligencia Articial ML busca,
en base a experiencias que generan
conocimiento, dotar a las máquinas de
capacidad de aprendizaje.
Machine Learning es el aprendizaje
autónomo a partir de datos (Gallego-Durán,
2016). Es un subconjunto de la Inteligencia
Articial cuyo enfoque principal es el de
aprender, utilizando algoritmos complejos
para analizar una cantidad masiva de datos,
reconocer patrones entre los datos y hacer
una predicción.
Machine Learning utiliza una gran
cantidad de datos y algoritmos para realizar
las predicciones, el algoritmo aprende las
costumbres para determinar qué es lo que le
gusta al cliente y así diferenciar contenidos.
Dichos algoritmos de entrenamiento deben
contar con un volumen amplio de datos
para que este aprenda y sepa qué hacer en
cada uno de los casos.
Muchas empresas utilizan Machine
Learning, entre ellas: Netix, Amazon,
Spotify que tiene algoritmos que buscan
los patrones de cambio, clasican y
aplican las experiencias de sus usuarios.
Para llevar a cabo el análisis predictivo
es indispensable disponer de una
considerable cantidad de datos, tanto
actuales como pasados, para poder
establecer patrones de comportamiento y
así inducir conocimiento (Espino, 2017).
Un agente es una entidad que puede
desenvolverse de manera autónoma en un
entorno determinado. Los agentes tienen
la misión de, usando datos obtenidos
del entorno, realizar una tarea lo mejor
que puedan. Las acciones realizadas
por el agente tienen repercusión en
el entorno: producen un cambio de
estado y proporcionan al agente una
recompensa que le indica lo bien o mal
que está realizando la tarea (reward)
(Gallego-Durán, 2016). En la Figura 1 se
representa como interactúa un agente de
ML en su entorno.
A M Q R - L C S - R C P
341
| C | V. XXV | N. 30 | - | 2020 | | ISSN (): - | ISSN ( ): - |
Figura 1. Agente ML interactuando con su
entorno
9
Figura 1. Agente ML interactuando con su entorno
Los paradigmas de aprendizaje de Machine Learning pueden ser clasificados en
aprendizaje supervisado, no supervisado y aprendizaje por refuerzo.
Evaluación de la página Web FIA
Al realizar una encuesta sobre el uso de la página web institucional a los estudiantes
de la Facultad de Ingeniería y Arquitectura encontramos el siguiente diagnóstico:
Tabla 2
Uso de la página web institucional de los estudiantes de la FIA-USMP
1
Ingresan a la página Web FIA al menos una vez al
día.
14%
2
Ingresan a la página Web al menos una vez a la
semana pero no todos los días.
40%
3
Ingresan a la página Web al menos una vez al mes
pero no todas las semanas
32%
4
Ingresan a la página Web FIA menos de una vez al
mes.
14%
TOTAL
100%
Agente
Medio
ambiente
Acción
Estado
Recompensa
Los paradigmas de aprendizaje de
Machine Learning pueden ser clasicados
en aprendizaje supervisado, no
supervisado y aprendizaje por refuerzo.
Evaluación de la página web FIA
Al realizar una encuesta sobre el uso
de la página web institucional a los
estudiantes de la Facultad de Ingeniería
y Arquitectura encontramos el siguiente
diagnóstico:
Tabla 2
Uso de la página web institucional de los estudiantes de la FIA-USMP
1 Ingresan a la página web FIA al menos una vez al día. 14%
2 Ingresan a la página web al menos una vez a la semana pero no todos los días. 40%
3 Ingresan a la página web al menos una vez al mes pero no todas las semanas 32%
4 Ingresan a la página web FIA menos de una vez al mes. 14%
TOTAL 100%
Esto signica que solo el 14% usa la
página web en forma diaria cotidiana, un
72% lo usa en forma intermitentes, y un
14% prácticamente no la usa.
Tabla 3
Sobre el contenido de la página web institucional de la FIA-USMP
La estructura y organización de la página web
FIA no son adecuadas.
38.9% indicaron que están de acuerdo
En la página web FIA no encuentro la
información que busco.
32.3% indicaron que están de acuerdo
En la página web FIA se deberían colocar
primero las opciones que se usan más.
46.4% indicaron que están de acuerdo y el
28.1 % está muy de acuerdo
La página web FIA debe presentar buenos
contenidos y de forma categorizada y ordenada.
45.5% indicaron que están de acuerdo y el
35.6% está muy de acuerdo
Debe tener opciones según el tipo de usuario
(web personalizada).
44% indicaron que están de acuerdo y el 24 %
está muy de acuerdo
Debe tener enlaces simples y diferenciados. 40.1% indicaron que están de acuerdo
No está habituado(a) con el contenido de la
página web FIA
38.9% indicaron que están de acuerdo
En la página web FIA no hay una forma de
hacer consultas y reclamos con atención
inmediata.
34.1% indicaron que están de acuerdo y el
31.7 % está muy de acuerdo
U M L
342
| C | V. XXV | N. 30 | - | 2020 | | ISSN (): - | ISSN ( ): - |
Tabla 3
Sobre la usabilidad de la página web institucional de la FIA-USMP
La accesibilidad y navegación de la página
web FIA no son adecuadas.
43.1% indicaron que están de acuerdo
La página web FIA debe tener el tipo y tamaño
de la letra adecuado a cada usuario.
48.8% indicaron que están de acuerdo y el
25.4 % está muy de acuerdo
La página web FIA debe tener diseño sencillo
para el usuario.
50.3% indicaron que están de acuerdo y el
24.3% está muy de acuerdo
La página web FIA debe tratar de captar la
atención del usuario.
47% indicaron que están de acuerdo y el
27.2% está muy de acuerdo
La página web FIA debe comunicar con
efectividad.
45.5% indicaron que están de acuerdo y el
35.9 % está muy de acuerdo
Debe tener una navegación ágil.
41.9% indicaron que están de acuerdo y el
40.1 % está muy de acuerdo
El lenguaje utilizado debe ser claro y conciso.
46.4% indicaron que están de acuerdo y el
30.2 % está muy de acuerdo
La página web FIA debería de ser más intuitiva
48.2% indicaron que están de acuerdo y el
17.1 % está muy de acuerdo
Figura 2. Pasos para generar el modelo Machine Learning para la página Web de la Facultad de
Ingeniería y Arquitectura.
Se utilizó Google Analytics para
obtener las edades de los usuarios y
sus hábitos en el uso de las diferentes
páginas web FIA. Asimismo, se procedió
a realizar la prueba de thinking aloud a
un grupo de alumnos de la Facultad de
Ingeniería y Arquitectura para obtener
su experiencia utilizando la página
web de la Facultad de Ingeniería y
Arquitectura.
Para crear cualquier modelo siempre
se sigue una serie de pasos como: cargar
los datos, analizarlos y procesarlos (si
es necesario), para luego generar el
modelo (Espino, 2017). Los motores de
búsqueda modernos utilizan enfoques
de aprendizaje automático para predecir
la actividad del usuario dentro del
contenido web. Los modelos populares
incluyen regresión logística (LR) y árboles
de decisión potenciados (Vieira, 2016).
A M Q R - L C S - R C P
12
Arquitectura para obtener su experiencia utilizando la página web de la Facultad de
Ingeniería y Arquitectura.
Para crear cualquier modelo siempre se sigue una serie de pasos como: cargar
los datos, analizarlos y procesarlos (si es necesario), para luego generar el modelo
(Espino, 2017). Los motores de búsqueda modernos utilizan enfoques de aprendizaje
automático para predecir la actividad del usuario dentro del contenido web. Los
modelos populares incluyen regresión logística (LR) y árboles de decisión potenciados
(Vieira, 2016).
Figura 2. Pasos para generar el modelo Machine Learning para la página Web de la Facultad
de Ingeniería y Arquitectura.
Figura 3. Diagrama de la solución propuesta
Variables
de entrada
Algoritmo
(modelo)
Variable
de Salida
Objetivo: Encontrar
grupos según los
requerimientos Web
Grupos diferenciales
según los
requerimientos del
usuario
Información de usuarios
de la Web
Modelo
Pronósticos
Grupos por
características de
Portal Web FIA
343
| C | V. XXV | N. 30 | - | 2020 | | ISSN (): - | ISSN ( ): - |
12
Arquitectura para obtener su experiencia utilizando la página web de la Facultad de
Ingeniería y Arquitectura.
Para crear cualquier modelo siempre se sigue una serie de pasos como: cargar
los datos, analizarlos y procesarlos (si es necesario), para luego generar el modelo
(Espino, 2017). Los motores de búsqueda modernos utilizan enfoques de aprendizaje
automático para predecir la actividad del usuario dentro del contenido web. Los
modelos populares incluyen regresión logística (LR) y árboles de decisión potenciados
(Vieira, 2016).
Figura 2. Pasos para generar el modelo Machine Learning para la página Web de la Facultad
de Ingeniería y Arquitectura.
Figura 3. Diagrama de la solución propuesta
Variables
de entrada
Algoritmo
(modelo)
Variable
de Salida
Objetivo: Encontrar
grupos según los
requerimientos Web
Grupos diferenciales
según los
requerimientos del
usuario
Información de usuarios
de la Web
Modelo
Pronósticos
Grupos por
características de
Portal Web FIA
Figura 3. Diagrama de la solución propuesta
Resultados
Después de las pruebas realizadas se
pudo comprobar las interfaces basadas
en Ingeniería Semiótica y Machine
Learning inuyen positivamente en la
mejora de la accesibilidad y usabilidad
del usuario nal. El método propuesto
permitirá crear páginas web adaptables
a cada usuario mejorando su experiencia
al utilizar la página web de la Facultad
de Ingeniería y Arquitectura de la
Universidad de San Martín de Porres.
Teniendo en consideración los términos
que utilizan en las búsquedas y los iconos,
textos e imágenes que mejor se adaptan
a los grupos reconocidos de usuarios,
teniendo para esto los métodos de la
ingeniería semiótica.
Se tiene un nivel de correlación de
r= .793, en el cuadrante positivo; por
lo tanto, se puede armar que hay una
relación entre la mejora de la accesibilidad
Tabla 4
Correlación entre Mejora de la Accesibilidad y usabilidad y las interfaces basadas en la Ingeniería
Semiótica y el Machine Learning
Correlaciones
Instrumento1 Instrumento2
Instrumento1 Correlación de Pearson 1 ,793
**
Sig. (bilateral) ,000
N 334 334
Instrumento2 Correlación de Pearson ,793
**
1
Sig. (bilateral) ,000
N 334 334
**. La correlación es signicativa en el nivel 0,01 (bilateral).
y usabilidad y las interfaces basadas en
la Ingeniería Semiótica y el Machine
Learning.
U M L
344
| C | V. XXV | N. 30 | - | 2020 | | ISSN (): - | ISSN ( ): - |
También se halló signicancia bilateral
p=0.000: se observa que (p<0.05). Por
lo tanto, se aprueba la hipótesis de los
investigadores, demostrando que sí existe
relación entre las variables.
Conclusiones
El principal objetivo de este trabajo es
analizar cómo las interfaces basadas en la
Ingeniería Semiótica y Machine Learning
inuyen, positivamente, en la mejora de
la accesibilidad y usabilidad del usuario
nal.
Basándonos en los datos de
comportamiento de los usuarios de la
página web de la Facultad de Ingeniería
y Arquitectura y aplicando algoritmos de
aprendizaje automático se podrán predecir
cuáles son las necesidades y requerimientos
de los usuarios y con ello estructurar una
página web usable que contribuya en la
optimización del nivel de satisfacción de
los usuarios.
Se utilizará el aprendizaje supervisado
porque se cuenta con un conjunto de datos
y en base a ello, el modelo se va a alimentar
para obtener información importante en
la creación de una página web a la medida
de los clientes. Durante este trabajo se
han analizado diversas fuentes y casos de
éxitos que han permitido determinar que
Machine Learning puede ser utilizada
en diferentes situaciones que requieran
predicciones automatizadas y dependerá
mucho de la calidad de los datos y la
buena elección de los algoritmos para que
se logren los objetivos planteados.
Referencias
Bento, M. L., & Xavier, S. &. (2012).
Método de avaliação de comunica-
bilidade para sistemas colaborativos:
um estudo de caso. Brazil.
Espino, C. (2017). Análisis predictivo
técnicas y modelos utilizados y apli-
caciones del mismo - herramientas
Open Source que permiten su uso.
Gallego-Durán, G. F.-V. (2016). Ajustan-
do Q-Learning para generar jugado-
res automáticos: un ejemplo basado
en Atari Breakout. España.
International Federation for Systems
Research-IFSR. (2012). Common
language for systems praxis project.
EE.UU.: Autor. [ Links ]
Mouriño, M. A. (2017). Clasicación
multilingüe de documentos utili-
zando machine learning. España.
Paz, M. L. (2012). Accesibilidad y Usabi-
lidad: los requisitos para la inclusión
digital. Argentina.
Perez, J. (2003). Diseño informacional de
los sitios web. España.
Sarzoza, M. (2009). Estudio de comunica-
bilidad en sistemas webmail. Chile.
Sjöström, J. &. (2003). e semiotics of
user interfaces – a socio-pragmatic
perspective. Suecia.
Vieira, A. (Mayo de 2016). Predicting on-
line user behaviour using deep.
A M Q R - L C S - R C P
