Sistema de recomendación de aplicaciones móviles accesibles para personas con necesidades especiales: discapacidad visual

TESIS DOCT ORAL Sist ema de recom endaci ón de aplic ac iones móviles acc e sib les par a personas con necesid ades especiales : dis capacida d vi sual Programa d e Doctorado en Tecnol ogías de la Infor mación y la Comunicaci ón GRANADA, 2024 DOCTORANDA: Mª ISABEL TOR RES CARAZO DIRECTORAS: Mª JOSÉ RODRÍGUEZ FÓ RTIZ Mª VISITACIÓN HURTADO TORRES Programa d e Doctorado en Tecnol ogías de la Infor mación y la Comunicaci ón GRANADA, 2024 TESIS DOCT ORAL Sistema de reco mendac ión d e aplicac iones móviles acc esibles para personas c on necesida des especiales: discapac idad visual DOCTORANDA: Mª ISABEL TOR RES CARAZO DIRECTORAS: Mª JOSÉ RODRÍGUEZ FÓ RTIZ Mª VISITACIÓN HURTADO TORRES Editor: Uni versid ad de Granada. Tesis Doc torales Autor: M arí a Isabel Torres Caraz o ISBN: 978- 84 - 1195 -2 84 -2 URI: https: //hdl.handle.n et/104 81/9109 4 “T u t r ab a jo va a s u poner gr an p arte de tu vida, y la ú n ica f o r m a de es tar total mente sa tisfecho es haciendo algo qu e c r eas que es u n gr an tr abajo . Y la única f orma de hacer u n g r an tr abajo es hacer l o que amas. Si t o da v ía no l o has encontr ado , sig ue busca ndo . No te conformes . Como con todo s lo s asun tos del cor azó n, t e da r ás c u enta cua ndo lo encu entr es ” . - Steve Job s - Quisiera comenz ar esta t es is doctoral expre sando mi más profundo agradecimiento a todas aquellas pers o nas que han sido fundamen t ales para p oder alcanzar, por fi n, esta m eta. A mis dos directoras de te sis, Mª José Rodríguez Fórtiz y Mª Visita c i ó n Hurtad o Torres, cuya sabiduría, experi enci a, ori entación y apo y o incond ic ional h an s ido la base para p o der recorrer este camino incierto de la investi g ación. Gracias por conf iar en mis capacidades y por vuestra pacien c ia para poder lograr este desafío que tant o s años os ha aco mpañado . A mi marido, Miguel Án gel, que ha sido un apo y o constante y una fu ent e inagotable d e comprensión sob re lo que su po ne embarcarse en una aventura c omo é sta que me ha per m itido alcanzar mi obje t ivo. Gracias por t u amor sin medida. A mis hij o s, P ablo y Da niel, porque esta a ventura emp ezó c uand o aún no habían nacido, por lo que me han acompañad o en todo el proces o . Vues tra alegría y cari ño i ncondicional es el m otor de mi vida y me ha p er mitido ll egar hasta la cima. Gracia s , porqu e a pesar de restaros ratitos de dedicación, vuestra son risa siempre ha estado ah í. A mi familia, mis padres Jos é Luis y P aqui, mis hermanos Dani, Jose y Antonio y mi herm ana Cristina, porque siempre e stán ahí. Por prestar su resp aldo inquebrantable ante las dificultades y por estar orgullosos d e los logros d e cada u no de nosotros, que siempre han sid o y s on un m otivo de celebración. A mi familia política, M anolo, Ángeles, Manuel, Antonio y Mª Te resa que me acogieron como un a más d e la familia y me ha n ayudado siempre en todo l o que he necesitad o perm itiendo mi desarrollo profesi o nal y ac adém ico. Al re sto de la gran familia tíos, tías, pri m os, cuñ ados y cuñad as por preocup ar os y a nimarme a continuar y a todos mis sobrinos/as: Martina, Nacho, In és , Ri c ardo, Eduard o, Paula, Alma, Alberto, Manuel y Jaime y l o s que están por lleg ar … p orque s o is l a f utura g enerac ión y estoy s egura de qu e, cuanto más consigamos nosotros ahora, más qu erréis conseguir vosotros para superar nuestros logros con creces. A Pe pa, por su ap o yo y c onfianza incondicional en mí, por esas ca m inatas, charlas y confidencias que nos han ser vido para poder desahogarno s y soluci o nar los problemas d el mund o y gui arno s e n este lí o que comenzó con t u “vamos a ap untarnos al m áster, anda sí… v ente con migo”. ¡Án im o que tú también puedes! A Vanesa, que me ayudó en momen tos clave d e mi te s is para po der avanzar y no desfallecer e n el intento. Al resto de mis amigas, e sp ec ialmente a Inma, porqu e no s conocemos de “toda la vida” y si em pre has es t ado ahí para animarme. A “ La cena d el mes” que es la m ejor de las tradiciones que n os mantiene unidas y n os da la vi da … las buenas costumbres ¡no h ay que perd erlas! A mis “ Ducas” y “Duques” cuya amistad a lo largo de los añ os y los vera no s sigue siend o una vía de escape a nue st ras monótonas vidas. A mis grandes a m istad es, porque han supu esto un apoyo constante a lo largo de los añ o s… Rubén, Patri, Pedro, Cristó bal, Sole, Migue, Alex, Yago, Ósc ar, Inma, m is pri mas Conchi y Ali, M ª del Mar, Carolina, Ana, Mª José, y un sinfín de personas más que no podría nombrar sin olvidar m e de alguna. Gracias a todos/as, porque vu estra am is tad me recu erda qu e es esencial mantener el eq uilibrio entre nuestras vidas personales y pr ofes ionales. A mis compañeros de t rabajo qu e, año tr as año, he i do c onociend o y que sigu en form and o parte de mi vida. Muchos de ello s , conociend o mi forma de trabajar, han c reído en mí y en mi capacidad para lograr todos m is objeti v os y me han ani mado a el lo . A mis alumnos/as, de los q ue siempre se apr ende algo nuevo y son una fuente constante de inspiración y cuyas inq uietud es y desafíos que m e han hecho mejorar c omo docente a lo largo de los años y me r ec uerdan la importancia d e la pasión por el aprendizaje. A todos aquellos in ves tigad o res que han realizad o un incansable trabajo con la publicación de valiosos artículos y contribuciones que han sentado las bases funda me ntales de mi propia investigación. A cualquier lector de este trabajo, por creer y confiar en m i aportación al mundo de la investigación , espero que sirva c om o apoyo a nuevos proyectos que tr aten de mejorar el m undo. Gracias a todos, por fo r m ar part e de esta tesis, que supone un punto y aparte en este capítulo de mi vida. INDICE DE CONT ENIDOS i ÍNDICE DE CONTENI DOS SECCIÓN I: CON TEXTUALIZACIÓN .......... ................ .......... ............... .......... ............... ........... ........... 1 RESUMEN DE LA TESIS DOCTOR AL .......... .......... ................ .......... ............... .......... ............... ...... 3 ........ .......... ................ .......... ............... .......... ............... ........... ............... 5 1.1. MOTIVACIÓN .......... .......... ............... .......... ................ .......... ............... .......... ................ ...... 5 1.2. OBJETIVOS ............ .......... ................ .......... .......... .......... .......... ................ .......... ............... ... 6 1.3. ORGANIZACIÓN D E L A ME M ORIA .......... .......... ................ .......... ............... .......... ............... 8 ....... ........... ............... .......... ............... .......... ........... 9 2.1. DISCAPACIDAD Y ACC ESIBILIDAD ......... ............... .......... ............... ........... ............... .......... .. 9 2.1.1. Discapacidad ............ .......... ................ .......... ............... .......... ................ .......... .......... .... 9 2.1.2. Accesibilidad ... .......... ............... .......... ................ .......... ............... .......... ................ ...... 11 2.2. ONTOLOGÍAS ............ .......... ............... ........... ............... .......... ............... .......... ................ .. 1 2 2.2.1. Definiciones de ontología ....... .......... ............... .......... ................ .......... ............... ........ 12 2.2.2. Objetivos de una ontología ....... ............... ........... ............... .......... ............... .......... ..... 13 2.2.3. Propiedades de las ontologías ....... ............... .......... ............... ........... ............... .......... . 14 2.2.4. Componentes de una ontología ........ .......... ............... ........... ............... .......... ............ 14 2.2.5. Tipos de ontol o gías ..... .......... ............... .......... ................ .......... ............... .......... .......... 16 2.2.6. Pr incip i os y metod o l o gías pa ra el desarrollo de un a o ntol og ía .......... ............... ........ 19 2.2.6.1. Principios..... .......... ............... ........... ............... .......... ............... .......... ........... ...... 19 2.2.6.2. Metodol o gías para el desarrollo de ontologías ....... ................ ... .. .......... ........... 20 2.2.6.2.1. Metodología de Bra v o, Hoyos y R eyes ............... ............... ............... ............. 2 0 2.2.6.2.2. Metodología de Noy y McGu inness ....... ............... ............... ................ ......... 23 2.2.6.2.3. Metodología de Grün inger y Fox ..... .. ... ........... ............... ............... ............... 24 2.2.6.2.4. M etodol o gía Meth ontology ... ................ .......... ............... .......... ................ .... 24 2.2.6.2.5. M etodol o gía On -To -Kno wledge ... .......... ............... ........... ............... .......... .... 27 2.2.6.2.6. M etodol o gía de Eu zenat ( CO4) .......... ................ .......... ............... .......... ........ 28 2.2.6.2.7. Metodología de Arp, S mit h y Spear ............... ............... ............... ................ . 28 2.2.6.2.8. M etodol o gía de Stuart ................ .......... ............... .......... ................ .......... ..... 28 2.2.7. Lenguajes de modelad o de ontologías .. ............... ............... ............... ................ ........ 29 2.2.8. Herramientas para el de sarrollo de ontologías .. .. ... .......... ................ ............... .......... 33 2.2.8.1. Herrami entas cuyo modelo de con o cimiento se corresp o nde con el de un lenguaje de ontologías ......... ............... .......... ................ .......... ............... .......... ................ .... 33 2.2.8.2. Herrami entas independ ie ntes de un lenguaje de implementaci ó n concreto .. . 34 INDICE DE CONT ENIDOS viii 9.1.5.2.14. Tablet PC ......... .......... ............... .......... ............... ........... ............... .......... .... 44 8 9.1.5.2.15. Escáner con OCR ........... ............... .......... ............... ........... ............... .......... 449 9.1.5.2.16. Ratón Braille .. ................ .......... ............... .......... ................ .......... ............... 45 0 9.1.5.2.17. Carcasa de silicona táctil pa ra iPhone ............... ............... ............... .......... 450 9.1.5.2.18. Tablet con pantalla braille .............. .......... ............... .......... ............... ......... 451 9.1.5.2.19. Gafas guía ..... ............... ........... ............... .......... ............... .......... ................ . 45 1 9.1.5.2.20. Telescopios .... .......... ............... .......... ................ .......... ............... .......... ...... 452 9.1.5.2.21. Filtros s o lares y lente s prote c toras ............... ............... ............... .............. 452 9.1.5.2.22. Lupas de bolsillo ........ .......... ........... ............... .......... ............... .......... ......... 453 9.1.5.2.23. Aplicaciones para dispositi vos móviles ............ ............... ............... ........... 453 9.1.5.2.24. Herramientas tiflotécnicas para niños/as ......... ................ ............... ......... 454 9.1.5.2.25. Clasificación de los disp os itivos tiflotécnic os ....... ............... .... . . ......... ....... 459 9.1.5.2.26. Tiflotecno l o gía con cone xión a un dispositivo móvil ............ ............... ..... 460 9.1.5.2.27. Otro s dispositivos cotidian o s de ayud a .... ............... ................ ............... .. 461 9.2. ONTOLOGÍA DE LA ACCESIBILIDAD .... ........... ............... .......... ............... .......... ............... 462 9.2.1. Rev isi ón de ontol ogías para la accesibilidad .......... ............... ............... .... . . ......... ..... 463 9.2.2. De scripción de la Ontología de l a Accesibilid ad ......... ............... ............... ................ 470 9.2.2.1. Clases de la O ntol ogía de la Accesibilidad .............. ............... ................ .......... 470 9.2.2.2. Propied ades de la Ont o l ogía de la Accesibilidad ....... ............... ................ .... . . . 4 74 9.2.2.2.1. Propiedades de los o bjet o s (Object Proper t ies) .. . .......... ............... ............. 474 9.2.2.2.2. Propiedades de los d atos ( Da ta Properties) ... .. ........ ............... ................ ... 477 9.2.2.3. Población del módulo “Accesibilid ad” del s istema d e ontologías ....... ............ 478 9.3. REFERENCIAS ....... ........... .......... .......... ............... .......... ................ .......... ............... .......... 486 .......... .......... ............... .......... ........... 495 10.1. INTRODUCCIÓN ........ .......... ........... ............... .......... ............... .......... ................ ......... 495 10.2. ESTRUCTURA DEL SIS TE MA DE RECOMEN DACIÓN ............... ............... ................ .... 49 6 10.3. RAZONAMIENTO MEDIANT E REGLAS SWR L ............. ............... ............... ................ .. 497 10.4. REPRESENTACIÓN DE LOS DATOS ........ ............... ........... ............... .......... ............... .. 50 6 10.5. PONDERACIÓN DE LOS DATOS .......... ................ .......... ............... .......... ................ .... 508 10.6. MÉTRICA DE SIMI LITUD ......... ............... .......... ............... ........... ............... .......... ....... 509 10.7. ELECCIÓN DE LA REPRESEN TACIÓN Y FUNCIÓN DE SIMILITU D ............... ............... . 511 10.8. REFERENCIAS .......... .......... ............... .......... ................ .......... ............... .......... ............ 517 ....... 519 11.1. INTRODUCCIÓN ........ .......... ........... ............... .......... ............... .......... ................ ......... 519 INDICE DE CONT ENIDOS ix 11.2. METODOLOGÍA ................ .......... ............... .......... ................ .......... ............... .......... ... 520 11.2.1. Planificación ....... .......... ............... .......... ................ .......... ............... .......... ............ 521 11.2.1.1. Ámbito del pr oyec t o ............... .......... ................ .......... .......... .......... .......... ....... 521 11.2.1.2. Planificación t emporal ............. .......... ............... .......... ................ .......... ........... 522 11.2.2. Análisis ......... .......... ................ .......... ............... .......... ............... ........... ............... .. 52 4 11.2.2.1. Elicitación y especificaci ón de requisitos ......... ............... ............... ............... ... 524 11.2.2.1.1. Requisitos fun cionales ......... .......... ............... .......... ................ .......... ........ 524 11.2.2.1.2. Requisitos no func ionales .......... ................ .......... ............... .......... ............ 526 11.2.2.2. Modelado .. .......... ............... .......... ................ .......... ............... .......... ................ . 52 7 11.2.2.3. Especificación de los usuarios ....... .......... ................ ............... ............... ........... 527 11.2.2.4. Modelo de cas os de uso .... ............... .......... ............... ........... ............... .......... .. 528 11.2.3. Diseño ............. .......... ................ .......... ............... .......... ................ .......... ............... 52 9 11.2.3.1. Arqu it ectura del si stema ......... ........... ............... .......... ............... ........... .......... 529 11.2.3.2. Lógica de fun c ion amiento ........ ........... .......... .......... ............... .......... ............... 533 11.2.3.3. Diagrama de na v egación d e l sistema ....... ................ ............... ............... ......... 534 11.2.3.4. Diagrama d e clases ............. ........... ............... .......... ............... .......... ................ 53 8 11.2.3.5. Diseño de l o s datos ... ........... ............... .......... ............... .......... ................ .......... 540 11.2.3.6. Diseño del l ogotipo ......... ............... .......... ............... ........... ............... .......... ..... 541 11.2.3.7. Estudio de v iabilidad ........... ............... .......... ............... .......... ................ .......... . 542 11.2.4. Implementaci ón .. .......... .......... ............... ........... ............... .......... ............... .......... . 543 11.2.4.1. Herramientas para la imple ment ación d e l sistem a .... . . .......... ............... .......... 543 11.2.4.2. Herramientas para la imple ment ación d e la app UACL AD ........ .......... ............ 544 11.2.4.3. Implementación del sistema... ............... .......... ................ .......... ............... ....... 546 11.2.4.4. Implementación de l a app UA C LAD .............. ................ ............... ............... ..... 54 7 11.2.5. Pruebas .............. .......... ............... .......... ................ .......... ............... .......... ............. 560 11.2.5.1. Ejemplo de funcio na miento ............ ........... ............... .......... ............... .......... ... 561 11.2.6. Despliegue ......... ........... .......... .......... ............... .......... ................ .......... ............... .. 56 9 11.2.7. Mantenimiento ............. ........... ............... .......... ............... .......... ................ .......... 569 11.3. REFERENCIAS .......... .......... ............... .......... ................ .......... ............... .......... ............ 572 SECCIÓN III: R EC APITULACI ÓN .............. .......... ................ .......... ............... .......... ................ ........ 575 ............. ........... ............... .......... ............... .......... .... 577 12.1. CONCLUSIONES ............... .......... ................ .......... ............... .......... ........... .......... ....... 5 77 12.2. VALORACIÓN DE LA SO L UCIÓN PROPUESTA .......... .......... ............... ................ ......... 580 12.3. RESULTADOS OBTENI DOS..... ............... .......... ................ .......... ............... .......... ........ 580 INDICE DE CONT ENIDOS x 12.4. TRABAJO FUTURO ......... .......... .......... ............... ........... ............... .......... ............... ...... 581 SECCIÓN IV: ANE XO S ......... ............... .......... ............... ........... ............... .......... ............... ........... ... 583 Anexo I: L istado de app s ......... ........... ............... .......... ............... ........... ............... .......... ............ 585 Anexo II: Listado de app s que recomiendan apps .............. ................ ............... ............... .......... 733 Anexo III: Contenido de l as listas desplegabl es de la app UACLAD.. ............... ............... ............ 743 INDICE DE FIGURAS xi ÍNDICE DE FI GUR A S Figu ra 2-1: Espectr o ontoló gico ....... ................ .......... ............... .......... ................ .......... ............... .... 16 Figura 2-2: Tipos de ont ologí as s egún su nive l de gene ralidad ......... .... . . .......... ............... ............... 18 Figura 2-3: Pasos d e la Met o dología Bra v o, Hoyos y R eyes .. ............... ............... ................ ............. 21 Figu ra 2-4: Ciclo de vida Methontology ........ ............... ........... ............... .......... ............... ........... ...... 25 Figura 2-5: Tareas in cluidas e n la actividad Concep tualización de Methontol ogy ............... ........... 26 Figu ra 2-6: Metodol ogía On-To-Kn ow ledge ..... ............... .......... ............... ........... ............... .......... .... 27 Figu ra 2-7: Estructura de OWL 2 ... ............... .......... ................ .......... ............... .......... ................ ....... 32 Figura 2-8: Pila d e tecnolog ías de la we b s em ántica .......... ............... .... . . ......... ............... ................ 33 Figura 2-9: Compon ent es p rincipales de Pellet .. ............... ............... ............... ................ ............... . 41 Figura 2-10: Estructura g en eral de un sistema de recomendaci ó n ......... ............... ................ ......... 44 Figura 2-11: Eje m plo de un a m atri z de un siste m a de r ec omendación ....... ............... ................ ..... 45 Figura 2-12: Taxon om ía prop uest a por Bur k e (201 1) de las fuen t es de c o nocimie nto e n las recomendaci o nes ........ .......... ................ .......... ............... .......... ................ .......... ............... .......... ..... 46 Figura 2-13: Clasificaci ón de los Sistemas de Re comendación ............ ............... ................ ............. 47 Figura 2-14: Eje m plo de sistema de r ecomendación colaborativo ............. ............... ............... ....... 49 Figura 2-15: Eje m plo de m atriz para u n si stema de recomend ac ión b asado en con tenido .. .......... 53 Figura 2-16: Eje m plo de sistema de r ecomendación basado en con tenido ............... ............... ...... 53 Figura 2-17: Eje m plo de sistema de r ecomendación de m ográfico ... ............... ............... ............... .. 56 Figura 2-18: Eje m plo de gra fos que r epresentan red es sociales .......... ... .. .......... ............... ............. 60 Figura 2-19: Factor es que i nfluyen e n la tom a de decis iones ........ ............... ................ ............... .... 62 Figura 2-20: Eje m plo de sistema de r ecomendación basado en con o cimiento ......... ................ ..... 6 4 Figura 2-21: Eje m plo de un sist ema de recomendación híb rido con diseño monolítico .......... ....... 67 Figura 2-22: Eje m plo de un sist ema de recomendación híb rido con diseño par alelo ... ............... ... 6 8 Figura 2-23: Eje m plo de un sist ema de recomendación híb rido con diseño canalizad o .............. ... 68 Figura 2-24: Clase Inte r eses del usuario extr aída de la Ontología Perfil de Usu ario .............. ......... 74 Figura 3-1: Base de con o ci m iento integrada p or o ntol ogías ........... ............... ............... ............... ... 9 7 Figura 3-2: Integraci ó n del Sistema de Ontologías ... ............... ............... ................ ............... ........ 101 Figura 3-3: Estableci mient o del Dominio y Rango de l as Ob ject Proper t ies .. ............... ............... .. 101 Figura 3-4: Reglas d e c lasificación para los grupos de edad ............... ............... ................ ............ 1 02 Figura 3-5: Reco m endación d e las aplicaciones obtenid as por el razonador ......... ............... ........ 104 Figu ra 3-6: Categorías rec omend adas ......... .......... ............... ........... ............... .......... ............... ....... 105 Figura 3-7: Explicación de los resultados obtenid os por el razonador ........ ............... ............... .... 106 Figura 4-1: Propues t a para la c lasificaci ó n de las discap acidades ........... ............... ............... ........ 113 Figura 4-2: Carta d e Snellen o riginal 1862 y Carta de Wec k er ............ ............... ................ ............ 1 15 Figu ra 4-3: Medida del cam po visual ............... .......... ............... .......... ................ .......... ............... .. 11 6 Figu ra 4-4: Ejemplos de c ar tas de Ishihara ......... .......... ................ .......... ............... .......... .............. 117 Figu ra 4-5: Fondo de o jo ....... ............... .......... ............... ........... ............... .......... ............... .......... .... 117 Figura 4-6: Base de con o ci m iento integrada p or o ntol ogías ........... ............... ............... ............... . 137 Figu ra 4-7: Ontología CIF .. ............... ........... ............... .......... ............... ........... ............... .......... ........ 138 Figu ra 4-8: Ontología AEGI S ......... .......... ................ .......... ............... .......... ................ .......... ........... 139 Figu ra 4-9: Ontología GU MO ......... .......... .......... ........... ............... .......... ............... .......... ................ 13 9 Figu ra 4-10: Ontología ADO LENA .... .......... ............... .......... ................ .......... ............... .......... ......... 140 INDICE DE FIGURAS xii Figu ra 4-11: Ontología RG D-DO ............... .......... ................ .......... ............... .......... ................ ......... 1 40 Figura 4-12: Origen de las cl ases de la ontol o gía Perfil de Usuario ............. ............... ................ ... 142 Figura 4-13: Ontología Per fi l de U suari o (UserProfileO ntolo gy) .......... ............... ................ ........... 142 Figura 4-14: Perfil d e l a ontología d el usuario en DL ......... ... .. .......... ................ ............... .............. 143 Figura 4-15: Jerarqu ía de cl ase s de Discapacid ad (Disability) .... ............... ............... ............... ....... 144 Figura 4-16: Jerarqu ía de cl ase s de Enfer m edades (D i s ease) ............... ............... ..... . . ......... .......... 145 Figura 4-17: Jerarqu ía de cl ase Personal (Pers o n) ... .. .......... ................ ............... ............... ............ 145 Figura 4-18: Jerarqu ía de cl ase s de Destrezas ( Skills) .......... .......... ............... ............... ................ .. 146 Figura 4-19: Jerarqu ía de cl ase s de Habilid ades (UserA bilities) .. .......... ............... ................ .......... 147 Figura 4-20: Descripción d e la habilidad para conducir (Ability_To_Drive) ............. ............... ....... 14 8 Figura 4-21: Jerarqu ía de cl ase s de Evaluación d e la discapacidad (UserDisab ilityEva luation) ..... 149 Figura 4-22: Jerarqu ía de cl ase s de Da tos Personales (UserPers onalDetails) .............. ............... .. 149 Figura 4-23: Jerarqu ía de cl ase s de Intereses Personales (UserP ersonalInterests) ........ ............... 150 Figura 4-24: Domini o y Ran go de la relac ión t ieneHabil idades (hasAbilities). ... .. .......... ............... . 151 Figura 4-25: Relaci ó n entre las clas es y las propiedade s de lo s o bjetos (Objec t Properties) ........ 158 Figura 4-26: Nombre de l as relaciones entre las clas es de la o ntología ( O bject Pr opertie s) ........ 159 Figura 4-27: Jerarqu ía de la s propiedades de los o bjetos (Object Pr o perties) .......... ............... ..... 160 Figura 4-28: Jerarqu ía de la s propiedades de los datos (Data Properties) ... .. .......... ................ ..... 161 Figura 4-29: Individu os de l a c lase Discapacidad (Di sability) ......... .......... ............... ................ ....... 1 63 Figura 4-30: Individu os de l a c lase Enfermedad (Dise ase) ....... ... ... .......... ............... ............... ........ 164 Figura 4-31: Individu os de l a c lase Impedi mento (Impairment) ......... ............... ................ ............ 165 Figura 4-32: Características de Person_P y Person _T de la clas e Pe rsona (Per son) ... . . ......... ........ 166 Figura 4-33: Individu os de l a c lase Destrezas (Skills) ................ ............... ............... ............... ........ 1 68 Figura 4-34: Individu os de l a c lase Habili dades (UserAb ilities) ... ............... ............... ............... ...... 16 9 Figura 4-35: Individu os de l a c lase Porcentaje d e discapacid ad ( DisabilityPercenta ge) .......... ...... 170 Figura 4-36: Individu os de l a c lase Evaluación del g rado de discapaci dad (Evaluati o nDegree) .... 17 0 Figura 4-37: Individu os de l a c lase Evaluación de la magnitud (EvaluationMagnitu de) .. .............. 170 Figura 4-38: Individu os de l a c lase Cualificadores de evaluación de la discapacidad (EvaluationQualif y ing W ord s) ........ ............... .......... ............... .......... ................ .......... ............... ...... 171 Figura 4-39: Individu os de l a c lase Test de evaluación (Evalu at ionTest) ............... ............... ......... 171 Figura 4-40: Individu os de l a c lase Ni v el educati v o (Ed uc ationalLevel) ........ ... .. .......... ............... ... 172 Figura 4-41: Individu os de l a c lase cociente intelectual ( IQ) ........ ................ ............... ............... ... 172 Figura 4-42: Individu os de l as subclases Rango de edad (R angeOfAge) ............... ............... .......... 173 Figura 4-43: Individu os de l as subclases Intereses pers onales del usuario (UserPersonalInter e sts) .......... ............... ........... ............... .......... ............... .......... ................ .......... ............... .......... ............... 174 Figura 4-44: Individu os de l as subclases Intereses pers onales del usuario (UserPersonalInter e sts) .......... ............... ........... ............... .......... ............... .......... ................ .......... ............... .......... ............... 175 Figura 5-1: Aspecto d e l a Ap p Store para iPad. O pción Hoy. ............. ............... ................ ............. 181 Figura 5-2: Clasificación p or Categorías en la App Store para iPad ... ................ ............... ............. 181 Figu ra 5-3: Búsqueda de apps en App Store ......... ........... ............... .......... ............... ........... ........... 182 Figura 5-4: Apps de un a C a te goría en App Store .......... ............... ............... .... . . .......... ............... .... 182 Figura 5-5: Clasificación p or Categorías en la App Store en iTunes ............. ............... ............... .... 183 Figura 5-6: Clasificación p or Categorías en Google Pl ay ........ ................ ............... .... . . ......... .......... 184 Figura 5-7: Aspecto d e Google Pl a y en un PC. Inici o. ........ ............... ............... ................ ............... 185 Figura 5-8: Aspecto g eneral d e Microsoft St o re ............. ............... ................ ............... ............... .. 186 INDICE DE FIGURAS xiii Figu ra 5-9: Categorías de Microsoft Store ........ ............... .......... ................ .......... ............... .......... . 187 Figura 5-10: Detalle de una app de Microsoft St o re ......... ............... ............... .... . . .......... ............... 188 Figura 5-11: Captu ras de pan t alla de la App P oc ketBraille p ara iO S .............. .... . . ......... ............... . 190 Figura 5-12: App “Be My Eyes” en App Store y Google Pl ay .... ............... ................ ............... ........ 194 Figura 5-13: Detalle de la app Roblox y las etiqu et as e n su des cripción ............. ............... ........... 197 Figura 5-14: Parte superi or de la descripción de u n a ap p e n cada r epo sitorio ............... .............. 202 Figura 5-15: Parte interm edia de la descripción d e una app en cada rep ositorio ........ .......... ....... 20 2 Figura 5-16: Parte inferi or de la descripción de una ap p en cada repositori o ....... .... . . ......... ......... 203 Figura 5-17: Nú m ero de aplicacione s por categoría ........ ... .. .......... ................ ............... ............... . 207 Figura 5-18: Aus enc ia de texto alterna tivo en App Store .............. ............... ................ ............... .. 209 Figura 5-19: Texto altern ativo poco descrip t ivo en Google Play ........ ................ ............... ............ 210 Figura 5-20: Nivel AAA en el texto en App Store .... ............... ............... ................ ............... .......... 211 Figura 5-21: Nivel AA en el texto en Google Pla y ......... ............... ............... ............... .... .. .......... ..... 2 11 Figura 5-22: Personas a las que van dirigidas las ap ps ............... ............... ................ ............... ...... 212 Figu ra 5-23: Precio de las a pps ......... ........... ............... .......... ............... .......... ................ .......... ....... 213 Figura 5-24: Clasificaci ón de las apps p o r edad .............. ............... ............... ............... ................ .. 213 Figura 5-25: Nú m ero de de scarg as de la s apps seleccionad as ............ ............... ................ ........... 214 Figu ra 5-26: Valoraci ó n med ia de l as apps ........... ............... .......... ............... .......... ................ ....... 215 Figura 5-27: Base de c onocimiento inte grada por ontologías ........... ............... ............... .............. 216 Figura 5-28: Características de la c lase videojuego ......... ............... ............... .... . . ......... ................ . 217 Figura 5-29: Extracto de las propiedades de l a clase Software de DB Pedia. .......... ............... ........ 218 Figu ra 5-30: Clases de CS O ............... .......... ................ .......... ............... .......... ................ .......... ....... 219 Figura 5-31: Extracto de la estructura de las propiedades de la ontología “Mobile Softwar e Ontology” ............... .......... ................ .......... ............... .......... .......... ........... .......... ............... .......... ... 220 Figura 5-32: Clases y propie dades de la ontología Mobi pedia ............. ............... ............... ........... 221 Figura 5-33: Extracto de la ontología " The software o ntol ogy"......... ................ ............... ............. 222 Figura 5-34: Ontología “Mobile Application Develop ment” .............. ................ ............... ............. 223 Figura 5-35: Origen de las cl ases de la ontol o gía Perfil de la App ... ............... ............... ................ 225 Figura 5-36: Ontología Per fi l de las Apps (AppsOn tology) ............. ................ ............... ............... .. 226 Figura 5-37: Perfil d e l a ontología d e las Apps en DL .......... ............... ................ ............... ............. 226 Figura 5-38: Jerarqu ía de cl ase s de Categorías d e l as A pps (AppCategory).... .. ... ........... ............... 227 Figura 5-39: Jerarqu ía de cl ase s de Aplicaciones d ise ñ adas específicam ent e para (AppDesignedTo) .......... ............... ........... ............... .......... ............... .......... ................ .......... ............... .......... ............... 228 Figura 5-40: Desar ro llad o res de apps o rientadas a disc apacidad visual en Google Play. . ......... .... 228 Figura 5-41: Jerarqu ía de cl ase s de Modo de J ueg o de la App (App M odeOf P lay) ............. ........... 229 Figura 5-42: Jerarqu ía de cl ase s de Edad Reco m endad a de la App (AppRecomme ndedAge) ...... 230 Figura 5-43: Jerarqu ía de cl ase Aplicaciones (A pps) ....... ............... ............... ................ ............... .. 231 Figura 5-44: Jerarqu ía de la s propiedades de los o bjetos (Object Pr o perties) .......... ............... ..... 234 Figura 5-45: Relaci ó n entre las clas es y las propiedade s de lo s o bjetos (Objec t Properties) ........ 235 Figura 5-46: Jerarqu ía de la s propiedades de los datos (Data Properties) ... .. .......... ................ ..... 239 Figura 5-47: Individu os de l a c lase Apps diseñadas específicamente para (Ap pDesignedTo) ..... .. 240 Figura 5-48: Individu os de l a c lase Desarrolladores de App s ( AppDeveloper) ............ ............... ... 2 40 Figura 5-49: Individu os de l a c lase Sis t ema operativ o p ara el que es válida una app (AppOS) ..... 241 Figura 5-50: Individu os de l a c lase Categorías de la ap p (AppCategory) .. . .......... ............... ........... 243 INDICE DE FIGURAS xiv Figura 5-51: Individu os de l a c lase Edad para la que s e rec omienda l a app (AppRecomm endedAge) .......... ............... ........... ............... .......... ............... .......... ................ .......... ............... .......... ............... 244 Figura 5-52: Individu os de l a c lase Modo de jueg o (AppModeOfPla y ) ........ ............... ............... .... 24 4 Figura 5-53: Individu os de l a c lase Repositorio de la ap p (AppStore) . ....... ................ ............... .... 2 44 Figura 5-54: Individu os de l a c lase Tipo de la app (AppType) .......... ............... ............... ................ 245 Figura 5-55: Características de SymboTalk AAC Talker de la c lase Ap l icacion es (Ap ps) ............... 247 Figura 5-56: Características de Blind Tool de la clase A plicaciones (Apps) ........ ............... ............. 2 48 Figura 5-57: Individu os de l a c lase Aplica c ion es (Apps) ... . ......... ............... ............... ................ ...... 249 Figura 6-1: Elementos del p ro ceso de co m unicación .............. ............... ............... ............... ......... 255 Figura 6-2: Lectura fá c il. Artícu lo 1 de la Constitución Esp añol a. ............... ............... ............... ..... 256 Figura 6-3: Primera parte de la oración " P adre Nuestro" ............. ............... ................ ............... ... 257 Figura 6-4: Poblaci ón hablante por familia de idi om a , 2022 ....... ............... .... . . ......... ................ .... 258 Figura 6-5: Base de con o ci m iento integrada p or o ntol ogías ........... ............... ............... ............... . 262 Figura 6-6: Ontología ISO 639 -2: Codes fo r the Rep resentation of Nam es of Langu ages ....... ...... 26 3 Figura 6-7: Perfil de la O nto lo gía de l os Idiomas en DL ........ ................ ............... ............... ........... 264 Figura 6-8: Jerarquía d e las p ropiedades d e los objetos ( Objec t Properties) ............... ............... .. 266 Figura 6-9: Relación en t re las clases y las pr o piedades de los o bjetos (Obj ect Prop erties ) .......... 2 67 Figura 6-10: Eje m plo de gra fías del idioma español ........... ............... ............... ............... .............. 268 Figura 6-11: Jerarqu ía de la s propiedades de los datos (Data Properties) ... .. .......... ................ ..... 268 Figura 6-12: Individu os de l a c lase Idio mas (Langua ge) .... ............... ............... ................ ............... 269 Figura 6-13: Individu os de l a c lase IS O 639-1 ............. ................ ............... ............... .... . . .......... ....... 2 70 Figura 6-14: Individu os de l a c lase IS O 639-2B ............. ............... ................ ............... ............... ..... 270 Figura 6-15: Individu os de l a c lase IS O 639-2T .......... ............... .... . . ......... ................ ............... ......... 271 Figura 6-16: Individu os de l a c lase IS O 639-3 ............. ................ ............... ............... .... . . .......... ....... 2 72 Figura 6-17: Individu os de l a c lase ámbito (Scop e) .... . . ......... ............... ............... ................ ........... 272 Figura 6-18: Individu os de l a c lase tipo (Type) ............. ................ ............... ............... ............... ..... 272 Figura 7-1: Relación en t re los Estados de Sal ud y los F act ores Contextu ales.... ................ ............ 275 Figura 7-2: Base de con o ci m iento integrada p or o ntol ogías ........... ............... ............... ............... . 285 Figura 7-3: Sección de la ontolo gía CIF q ue se refiere a los factores a mbientales (En v ironmental factors) ......... .......... ............... .......... ................ .......... ............... .......... ................ .......... ............... ... 287 Figu ra 7-4: Ontología SOU PA ... ............... .......... ................ .......... ............... .......... .......... ........... ..... 288 Figura 7-5: Ontologías que forman COBRA-ONT ............ ................ ............... ............... ............... ... 289 Figura 7-6: Definición par cial de la ontología su perior de C ONON ..... ................ ............... ............ 290 Figura 7-7: Definición par cial de la ontología d e un dominio específico de CON ON .. ............... .... 29 0 Figu ra 7-8: Ontología GU MO ......... .......... .......... ........... ............... .......... ............... .......... ................ 29 1 Figura 7-9: Model o conceptual d e l a red de ontologías mIO! ........... ............... ............... .............. 292 Figu ra 7-10: Ontología Plac e ............. .......... ............... .......... ................ .......... ............... .......... ....... 292 Figura 7-11: Vista gener al de las principales clases de SAREF y sus relac iones ........... ............... ... 293 Figu ra 7-12: Módulos de la ontol ogía SSN ......... .......... ............... ........... ............... .......... ............... 294 Figura 7-13: Vista gener al de la red de ontol ogías BIMERR . .......... ............... ............... ............... ... 29 5 Figura 7-14: Ontología SOS A desde la perspec t iva de la Obser v ación (Obs erv ation ) ........ ........... 296 Figura 7-15: Ontología SOS A desde la perspec t iva del Muestreo (Sampli ng) .. .......... . ......... ......... 296 Figura 7-16: Ontología SOS A desde la perspec t iva de la Actuaci ón (A ctuation) ............. .............. 296 Figura 7-17: Vista gener al de la red de ontol ogías VICINITY ... ............... ................ ............... ......... 298 Figura 7-18: Origen de las cl ases de la Ontol ogía C on t exto .............. ............... ............... ............... 299 INDICE DE FIGURAS xv Figura 7-19: Ontología d el Contexto (ContextOnto logy) ......... .... . . ......... ............... ................ ........ 300 Figura 7-20: Perfil d e l a Ontología d el Contexto en DL .............. ............... ............... ................ ...... 301 Figura 7-21: Jerarqu ía de cl ase s de Localizaci ón ( Loca t ion) ............ ............... ............... ................ . 303 Figura 7-22: Jerarqu ía de cl ase s de Entorno Físi co ( Ph ysicalEnvironment) .............. ............... ...... 30 4 Figura 7-23: Jerarqu ía de cl ase s de Tiempo (time :DateTimeDescription) .............. ............... ........ 3 04 Figura 7-24: Jerarqu ía de cl ase Contextos (C o ntexts) ....... ............... ............... ................ ............... 305 Figura 7-25: Jerarqu ía de la s propiedades de los o bjetos (Object Pr o perties) .......... ............... ..... 308 Figura 7-26: Relaci ó n entre las clas es y las propiedade s de lo s o bjetos (Objec t Properties) ........ 309 Figura 7-27: Nombre de l as relaciones entre las clas es de la o ntología ( O bject Pr opertie s) ........ 310 Figura 7-28: Eje m plo de pr o piedades d e lo s datos. Direcció n C ASA. .......... ............... ............... .... 311 Figura 7-29: Jerarqu ía de la s propiedades de los datos (Data Properties) ... .. .......... ................ ..... 313 Figura 7-30: Conjun to de ejemplo de individ uo s de la cl ase Paíse s (Countri e s) ............ ............... . 314 Figura 7-31: Individu os de l a c lase Dirección (Directi o n) ....... ................ ............... ............... .......... 315 Figura 7-32: Individu os de l a c lase Espacio Geográfic o (Geographical Space) ... .......... ............... .. 315 Figura 7-33: Individu os de l a c lase Método para O btener la Localizaci ó n ( M ethod Of Obtaining Location) ........... ............... .......... ............... .......... ................ .......... ............... .......... ................ ......... 316 Figura 7-34: Individu os de l a c lase Tipo de Espacio (Sp ace Type) ................ ............... ............... .... 316 Figura 7-35: Individu os de l a c lase Unidades de Área (A rea U nit) ........ .. ......... ............... ............... 316 Figura 7-36: Individu os de l a c lase Unidades de Dist anc ia (Distance Unit ) ............ ............... ........ 3 17 Figura 7-37: Individu os de l a c lase Entorno Físico (Ph y sical En v ironment) ....... .......... ............... ... 317 Figura 7-38: Individu os de l a c lase Día de la se m ana (D ay o f Week) ... . .......... ............... ............... . 317 Figura 7-39: Individu os de l a c lase Unidad Te mporal (Temporal Unit) ............... .... . . ......... ............ 318 Figura 7-40: Individu os de l a c lase Contextos (Context s) ..... ................ .... . . ......... ............... ........... 318 Figura 7-41: Detalle del contex to de e jempl o Ej_Context_A .......... ................ .... . . ......... ............... . 319 Figura 8-1: Por qué se c a mbia la gente de iOS a And roid y viceversa ? ............ ................ .............. 331 Figura 8-2: Base de con o ci m iento integrada p or o ntol ogías ........... ............... ............... ............... . 333 Figura 8-3. Módul o De vices d e la ontología m IO! ............ ............... ............... ................ ............... . 334 Figura 8-4: Taxon omía de l os dispositivos mó v iles .......... ............... ................ ............... ............... . 335 Figura 8-5. User C ont ext O ntology. Clase dispositivo (De v ice) .......... ............... ............... .............. 336 Figu ra 8-6. Mobile Phon e Ontolog y ......... .......... ............... ........... ............... .......... ............... .......... 337 Figura 8-7. Mobile Operati ng Sy stem On t ology. Sy m bian OS. .... ............... ............... ................ ..... 33 7 Figura 8-8. Mobile Operati ng Sy stem On t ology. Andro id OS .......... .. ... .......... ................ ............... 338 Figura 8-9: Ontología Di spo sit ivos (De viceOntology) ............ ................ ............... ............... .......... 339 Figura 8-10: Perfil d e l a ontología d e los dispositivos e n DL .......... ................ ............... ............... .. 340 Figura 8-11: Jerarqu ía de cl ase s de Modo de A utentica c ión (Auten t icationMode) .............. ........ 341 Figura 8-12: Jerarqu ía de cl ase s de Cá mara (Camera) ............... ............... ............... ............... ....... 34 1 Figura 8-13: Jerarqu ía de cl ase s de Conecto r (Connect or) ............ ................ ............... ............... .. 341 Figura 8-14: Jerarqu ía de cl ase s de Pantalla (Display ) ......... ..... . .......... ............... ............... ............ 342 Figura 8-15: Jerarqu ía de cl ase s de Métodos d e E ntrad a de Dat os (Inp utDataMethod) ....... ....... 3 43 Figura 8-16: Jerarqu ía de cl ase s de Módu lo de Memori a (MemoryModule) ......... ............... ........ 3 43 Figura 8-17: Jerarqu ía de cl ase s de Conexiones d e Red (NetworkConnection) ........ ............... ..... 344 Figura 8-18: Jerarqu ía de cl ase s de Siste m a Operati vo (OperatingSys t em) ............ ............... ....... 34 4 Figura 8-19: Jerarqu ía de cl ase s de Gama del Dis positi v o (Range) ... ............... ................ .............. 344 Figura 8-20: Jerarqu ía de cl ase s de Sensor es (Sensor) .............. .... . . ......... ................ ............... ...... 345 Figura 8-21: Jerarqu ía de cl ase s de Sonido ( Sound). ............... ............... ............... ............... .......... 345 INDICE DE FIGURAS xvi Figura 8-22: Jerarqu ía de cl ase s de Tipo d e Dispositivo ( TypeOfDevice) ............. .... . . ......... ........... 346 Figura 8-23: Jerarqu ía de la c lase Disp o sitivos (Devi c es) ......... ... .. .......... ............... ............... ......... 346 Figura 8-24: Jerarqu ía de la s propiedades de los o bjetos (Object Pr o perties) .......... ............... ..... 348 Figura 8-25: Relaci ó n entre las clas es y las propiedade s de lo s o bjetos (Objec t Properties) ........ 349 Figura 8-26: Jerarqu ía de la s propiedades de los datos (Data Properties) ... .. .......... ................ ..... 350 Figura 8-27: Jerarqu ía de la s propiedades de Tiene Cá mara (hasCamera) ....... ............... .............. 351 Figura 8-28: Jerarqu ía de la s propiedades de Tiene Pan talla (hasDisplay) ......... ............... ............ 353 Figura 8-29: Jerarqu ía de la s propiedades de Tiene Método de E ntrada d e Datos (hasInp ut DataMeth o d) ......... .......... ............... ........... ............... .......... ............... ........... ............... ... 355 Figura 8-30: Jerarqu ía de la s propiedades de Tiene Mó dulo de Memoria (has M em o ryModule) . 355 Figura 8-31: Jerarqu ía de la s propiedades de Tiene Sis tem a de Navegación (hasNavigationS yst em) .......... ............... ........... ............... .......... ............... .......... ................ .......... ............... .......... ............... 356 Figura 8-32: Jerarqu ía de la s propiedades de Tiene Co m unicaci o nes de Red (hasNetworkCon nectio n) ..... ............... .......... ................ .......... ............... .......... ................ .......... .... 35 7 Figura 8-33: Jerarqu ía de la s propiedades de Tiene S ens or (hasS en sor) ....... ............... ............... .. 359 Figura 8-34: Jerarqu ía de la s propiedades de Tiene Au dio (hasSou nd) ............. ............... ............. 3 59 Figura 8-35: Jerarqu ía de la s propiedades de Pr o piedad e s de la pan t alla táctil (TouchScreenP ropierties) ....... ............... .......... ................ .......... ............... .......... ................ .......... .. 3 61 Figura 8-36: Individu os de l a c lase Modo de Autenti c ación (Aute nt icationMod e ) ... . . ......... ......... 361 Figura 8-37: Individu os de l a c lase Cámara (Came ra) ........... ............... .... . . ......... ............... ............ 361 Figura 8-38: Individu os de l a c lase Tecnología Flash (Fl ashTechnology) ............. ............... ........... 362 Figura 8-39: Individu os de l a c lase Conector (Connecto r) .... . . .......... ............... ............... ............... 362 Figura 8-40: Individu os de l a c lase Pantalla (Display) ............... ................ ............... ............... ....... 362 Figura 8-41: Individu os de l a c lase Métodos de Entada de Datos (Inpu t DataMe t hod) y Teclad o (Keyboard) ......... .......... ................ .......... ............... .......... ................ .......... ............... .......... ............. 363 Figura 8-42: Individu os de l a c lase Tecnología de la P antalla T áctil (TouchScreen Technology) ... . 363 Figura 8-43: Individu os de l a c lase Redes de Comu nic ación (Ne tworkCo m munication ) .. ............. 3 64 Figura 8-44: Individu os de l a c lase Sis t emas Operativo s (OperatingS y stem) ........ ............... ......... 364 Figura 8-45: Individu os de l a c lase Gama (Range) ........ ... .. .......... ................ ............... ............... .... 364 Figura 8-46: Individu os de l a c lase S enso r (Sens or) ............ ................ ............... ............... ............. 365 Figura 8-47: Individu os de l a c lase S o nido (Sound) ............. ............... ............... ............... .............. 3 65 Figura 8-48: Individu os de l a c lase Tipo de Disposi t ivo (TypeOfD ev ice) ......... ............... ............... . 366 Figura 8-49: Individu os de l a c lase Dispositivos (Devi c es) ............... ............... ............... ................ 366 Figura 8-50: Características del individuo iPhone 1 2 de la P ers ona A (De v ices) . ....... ............... .... 36 7 Figura 9-1: Composici ón de las pautas WCAG 2.1 ... .. ........... ............... ............... ............... ............ 382 Figura 9-2: Niveles de conform idad d e l as WCAG 2.1... .... . . ......... ................ ............... ............... .... 39 1 Figu ra 9-3: Página Web d e TAW ........ ............... ........... ............... .......... ............... .......... ................ . 40 6 Figura 9-4: Página Web de W3C mobileOK Chec k er ........ ............... ................ ............... ............... . 407 Figu ra 9-5: Página Web d e Merkur ............... .......... ................ .......... ............... .......... ................ .... 407 Figu ra 9-6: Accessibility I nspector .......... .......... ................ .......... ............... .......... ............... ........... . 408 Figura 9-7: Imágen es del fu ncionam i ent o de Test de Acc esibilidad . ......... ............... ................ ..... 409 Figura 9-8: Accessibility I nsig h ts para Android ..... . .......... ............... ............... ............... ................ . 409 Figu ra 9-9: Axe DevTools Mobile ............ .......... ............... ........... ............... .......... ............... .......... . 410 Figura 9-10: Funci onamiento de " Text o a voz" .............. ............... ............... ..... . . ......... ............... ... 411 Figura 9-11: Funci onamiento de V oi ceover con pantalla braille ............... ............... ............... ...... 41 2 INDICE DE FIGURAS xvii Figu ra 9-12: Acceso guiad o .............. .......... ............... .......... ................ .......... ............... .......... ........ 412 Figura 9-13: Añadir a iTunes como pista de v oz .......... ................ ... .. .......... ............... ............... ..... 413 Figu ra 9-14: Asistente virtu al de iOS Siri ........ .......... .......... ........... .......... ............... .......... .............. 413 Figura 9-15: Funci onamiento con t rol por voz .... .. ... .......... ............... ................ ............... ............... 414 Figu ra 9-16: Dictado por v oz .......... .......... .......... .......... ............... ........... ............... .......... ............... 414 Figu ra 9-17: Invertir col ores en iPhone ..... .......... .......... ................ .......... ............... .......... .............. 415 Figu ra 9-18: Modo oscur o en iPhone .............. .......... ............... .......... ................ .......... ............... ... 415 Figu ra 9-19: Modo lect o r de Safari ....... ........... ............... .......... ............... .......... ................ .......... .. 416 Figu ra 9-20: Funcionami ento de l a lupa .......... .......... ............... .......... ................ .......... ............... ... 416 Figu ra 9-21: Aplicación Zo om ......... .......... .......... .......... ............... ........... ............... .......... ............... 417 Figura 9-22: Funci ón tocar atrás en iPh one y c entr o de cont r o l ........... ............... ............... ........... 417 Figura 9-23: Configu rac ión de Assist iveT ouc h .. ... .......... ............... ................ ............... ............... ... 418 Figu ra 9-24: Assistive T o uch e n iPhone ......... .......... .......... .......... ................ .......... ............... .......... 418 Figura 9-25: Contr o l por botón en iPh o ne y en M ac .......... ............... ............... ................ .............. 419 Figura 9-26: Accione s d e pe rmanencia e n el teclado de accesibilidad .. ............... ............... .......... 420 Figu ra 9-27: Posición de l o s puntos braille ..... ............... .......... ................ .......... ............... .......... ... 420 Figu ra 9-28: Activación de Talkback ............. .......... ............... .......... ............... ........... ............... ...... 421 Figu ra 9-29: Teclado braille de T alkba ck ............. .......... ................ .......... ............... .......... .............. 421 Figura 9-30: Opcione s de G es tos de Talkback ....... ................ ............... ............... ................ ........... 422 Figura 9-31: Asignación de gestos a interrup t ores de la cámara ....... ............... ................ ............. 422 Figura 9-32: Funci onamiento de V oi ce Acc es s .......... ............... ............... ............... ................ ........ 423 Figura 9-33: Funci onamiento de la t ranscripción in stantánea ... ............... ................ ............... ..... 424 Figura 9-34: Funci onamiento del a m plificad or de so nid o ................ .... . . ......... ............... ............... 424 Figu ra 9-35: App Gboard .......... ................ .......... ............... .......... ................ .......... ............... .......... 425 Figu ra 9-36: Funcionami ento de Lookout .......... .......... ............... ........... ............... .......... ............... 425 Figu ra 9-37: Rutinas de B ixb y ....... .......... ............... .......... ................ .......... ............... .......... ............ 426 Figura 9-38: Activación d e Narrador en Wind ow s 10 mobile .............. ............... ............... ............ 426 Figu ra 9-39: Máquina P erk ins ............. .......... .......... .......... .......... ................ .......... ............... .......... 437 Figura 9-40: Revisor de p antalla JAWS y Revis or de pantalla Gnop ernicus .............. ................ ..... 438 Figu ra 9-41: Modelos de lín ea braille ....... .......... .......... .......... ........... ............... .......... ............... ..... 439 Figura 9-42: Papel i m preso en braill e a una cara ..... ............... ................ ............... ............... ......... 439 Figura 9-43: Papel i m preso en braill e a dos caras ......... ............... ............... ................ ............... .... 4 40 Figura 9-44: Matriz en relieve para Thermoform ............. ............... ............... ................ ............... 440 Figu ra 9-45: Thermof o rm ........ .......... .......... ............... .......... ................ .......... ............... .......... ....... 440 Figura 9-46: Matriz en la Thermof orm y Lámina s o bre la ma t riz... ............... .... . . .......... ............... .. 441 Figura 9-47: Mapa obt enid o con therm o form ....... ................ ............... .... . . ......... ................ .......... 441 Figura 9-48: H o rno fúser con papel m icr ocápsula .............. ............... ............... ................ .... . . ....... 442 Figura 9-49: Eje m plo de grá fica para horno fúser ............... ................ ............... ............... ............. 442 Figu ra 9-50: Anotador el ec trónico ............... ........... ............... .......... ............... .......... ................ ..... 443 Figu ra 9-51: Ampliador de Windows .... .......... .......... ................ .......... ............... .......... ................ ... 444 Figu ra 9-52: Lector ele c tró nico ............. .......... ............... .......... ................ .......... ............... .......... ... 44 5 Figu ra 9-53: Lupa-TV ... ............... .......... ............... .......... ................ .......... ............... .......... .............. 445 Figura 9-54: Esq ue ma de fun ci onamiento d e una Pizar ra Di gital Inte rac tiva ......... .... . . ......... ........ 446 Figura 9-55: Pizarra digi t al y Pan t alla digital .......... ........... ............... ............... ............... ................ 447 Figura 9-56: Tableta digitali zadora y ejemplo de us o ............. ............... ................ ............... ......... 447 Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 2 Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 3 RESUMEN RE SU ME N DE LA TESIS DOCTORAL Sist ema de recom endaci ón de aplic ac iones móviles acc e sib les par a personas con necesid ades especiales : dis capacida d vi sual Las personas que un conju nto d e necesidades variadas y distintas en cada momento de su vida. Algunas de estas necesid ades p ueden deb erse a que p ueden experimentar algún tipo de discapacidad a l o largo d e su vida (segú n la OMS más de un billón de personas, q ue equiv ale a un 15% de l a población m und ial aproximadamen te y se p revé que esta cantidad sea ma yor debido a los cambios de mográfic os). Las personas no están aisladas en la soc iedad y su for m a de comportarse o actua r se ve influenciada por el entorno y las c ondiciones s o ciales que l e rodean. En es ta época de globalizac ión hiperconectada, existen alrededor de 3 ,6 dispositivos conectados a Internet p or p ersona, lo que se traduce a u nos 29,3 billones de dispositivos en el mundo. Estos dispositivos tien en instalados un softw are característico lla m ado apps que les per mite a la s personas qu e lo usan realiza r un sin fín de acti v idades: divertir, en t retener, com unicar, trabajar, aprender o facilitar la vida diaria en determinados ámbitos. N o obstante, es posible q ue la s personas con alguna discap ac idad necesiten dispo si tivos de ayuda que le permitan el acceso a la información y a l as f uncionali dades . Teniendo en cuenta este contexto, la finalidad de esta tesis e s la de dis eñar un sistema de recomendación que ayude a persona s con discapacid ad a elegir las apps m ás adec uadas a sus necesidades y pr eferencias . Para lograrlo, se ha cread o un sistema que consta de una aplicación para dispositivos móviles Android q ue integra el sistema de r eco m endación cuya base d e conocimiento est á formada p o r un sistema d e ontologías qu e también se ha desarr ol lad o en esta tesis. Este sis tema está compuesto por sei s ontol o gías individuales r el a c ionadas semántica mente, que m odelan la i nfor mación de los dominios que se han analizado y que se han consid erado relevantes para definir un perfil de usuario completo. Estos do m inios s o n: - Perfil de usuario: datos personales, médicos, posibles discapacidades y otros datos relacionados con sus intereses y su formación. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 4 RESUMEN - Perfil d e las apps: datos relacionado s con el funciona miento y finalidad de la app así como datos obtenid o s de los reposito rios donde se encuentran . - Context o : ent endido como situación es paci o temporal en la que se e n cuentr a una persona en un momento de t ermina do. - Dispositiv o s móviles: carac t erísticas del dispositiv o que tiene el usuario y para el que se desea obtener el conju nt o de a pps recomend adas. - Idiomas: son los idio m as que una persona conoce y en los que se puede configurar una app, permitiendo que los usuarios puedan utilizarla. - Accesibilidad: todas aquellas características que poseen los sistemas o perativ o s y qu e permiten la modificación de ciertos pará metros y ta mbién se refiere a lo s disposi ti vos de accesibilidad que la s perso nas c on di scapacidad pu eden usar para interaccion ar con los dispositivos y acceder a la in form ación que le s propor cionan. El uso de razon adores so bre el si st ema de ontolog ías permite obte ner un c onjunto de app s adecuadas a los usuari os de la a pp. No obstante, es necesario refinar es e conju nto para conocer cuáles son más afines a l as necesidades o int ere se s definidos por el usu ario. Para el lo, se ha desarrollad o un sistema de rec omendació n semántico basado en on tología s y se h a definido para ello una función de si m ili tud ponderada. Esta fun c ión permite valorar de forma distinta unas características de las ap ps frente a otras que pueden considera rse menos importantes o irrelevantes. Este proceso permite obtener mejores recomendaciones a pers onas usuarias de dispositivos móviles c o n di s capacidad. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 5 Capítulo 1: Introducción Este capítulo está dedicado a explicar la motivación por la que se ha llevad o a cab o esta tesis, así como los objetivos que se pretenden alcanzar con su realizaci ón y l a organización de esta memoria. 1.1. MOTIVACIÓN Cada p ersona t i ene unas características que las hace ú nicas: su si t uación personal, sus gustos y aficiones, sus habilidades, sus posibles enfermedade s o discapacidad es, etc. Así, encontramos un cúmulo de circunsta ncias que rodea n a cada persona y que hac en que tengan unas necesidade s distintas a las de ot ra pers ona en un determinado m omento de su vid a. Como usuarios d e in formáti ca, actualmente nos encontra m os c on la presencia y uso casi generalizado de diversos dispositivos móviles (teléfono, tableta, reloj, banda o wearables ) qu e tienen una serie de componen t es físicos (por ejemplo , cámara de fotos, GPS o tip o de c o nexión) y componentes l ógicos (aplicaciones in st aladas). En el caso del u s o del teléf ono móvil, e s usual instalar aplicaciones (o apps) p or div ersos motivos: entretenimiento, co m unicar s e, ayuda, lec tura, ut ilidad es, trabajo, etc . También s e da el caso de que diferentes personas, para realiz ar una mis ma tar ea de cidan instalarse aplicaciones distin t as. ¿Por qué instalarse unas u otras? Los mo tivos son v ariados, por re c omendación de o tra persona, por satisfacer más requisitos, por obligación (tiene qu e ser espec ífic amente esa), por casualidad, etc . La bú squeda de aplicacion es (en un repositorio) para in st alar en un dispositivo móv il es un proceso complicado debido a la gran c antidad de aplicaciones similares, clasificadas según distintos criterios, d esc ripci o nes p oco claras, en otros id iomas, c o n ta maños de letra p equeños o incluso ausentes, sin conocer a q ué t ipo de usuarios va destina da, qué fin persiguen, etc. Existen ap lic aci o nes que r ecomiendan aplicaciones, pero sól o se basan en un aspecto concreto: recomendación en b ase a los gustos d e o tros usuari os, de sim ilitud en funcionalid ad o intereses con las aplicaciones que y a t en g amos instaladas (aunque no se usen ) , del sexo del us uario, e tc., lo que complica de nuevo el proceso de búsqu eda de una app . Por tan t o, encontramos que existe una dificultad a la hora de realizar búsquedas de aplicaciones móviles, así como de tomar una decisió n adecuada sobre la que ele gir. Por lo tanto, existe la Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 6 Capítulo 1: Introducción necesidad de facilitar las b úsqu edas de aplicaciones móviles, y en c oncreto par a aquellas personas que p resent an alguna discapacidad, y en particular, en esta tesis n o s vamos a centrar en u suario s con disc apacidad visual. El motivo s e debe a que esta s personas tienen un acces o más limitado a las aplicaciones m óviles, así como a su búsqueda, por lo que es necesari o t en e r en cu enta esas diferencias respect o a usua rios sin limita c iones para fa cilitarles el trabajo. Dada la di v ersidad de personas, algunas de ellas pueden necesitar disp ositivos de ayuda para realizar s us tareas, como pueden ser ayud as ópt ica s ( g afas o m agnificad ore s, p or ejemplo) o a y uda s motoras (pulsador e s o joy s ticks, por ejemplo), o bien, puede que nec es iten que la aplicación disponga de alguna caract e rística de accesibilidad que les permita usarla ( com o alt o contraste o lector de pantalla), o también pueden requerirse características específicas com o que permitan el uso de dispositivos d e accesib ilidad (como la línea brai lle o los pulsadores) para man e jarla. Por es t os motiv o s, est a tesis se cen t ra en obte ner y recomendar, a pers onas con discapacidad visual, una s erie de aplicaciones que le res ulten útiles según sus nec esidades y objetivos y que, para esa persona, se t enga en cuenta información proceden t e de varios ámbit o s de su vida, como su perfil de usuario, el disp os itivo que tien e, la s n ecesidades de accesib i lidad y el contexto en el qu e se encuentra. En es ta t es is s e van a aprovecha r los beneficios de las tecnologías de la web semánt ica para representar esa info r m ación de los ámbitos de las personas y así, formar un perfi l completo. Dado ese p erfil, s e harán recomendaciones a los usuarios s obre las ap l icaciones más idóneas para ellos. Por esto, se diseñará un sistema de recomendación, qu e les va a permitir obt en er sugerencias sobre qué aplic acion es s o n más adec uadas para instala r en u n dispositivo móv il según el conjunto de datos y preferencias indicado por una pers o na tras crearse su perfil d e usuario. Para demostrar l a util idad d e este sistema de recomendación, s e implemen tará éste ju nto con un a base de c o nocimiento que representará el perfil del us uario, en u na aplicación para m óv iles para e l sistema operativo An droid. 1.2. OBJETIVOS Los objetiv o s planteado s para esta tesis se definieron en el P lan de Investiga c ión, y s on los siguientes:  Objetivo 1 : Con ocer los distintos tipos de discapacida d y l as consecuen c ias que tienen a la hora de manejar disp ositivos móv iles.  Objetivo 2 : Conocer l a tecn o logía existente para que , pers o nas con discapacid ad visual, puedan hacer su vid a más sencilla.  Objetivo 3 : Conocer l as normas y c riteri os que se establecen sobr e accesibilidad par a diseñar aplicacion es adapta das a cualquier usuari o.  Objetivo 4 : Realizar una revisión de las ontologías que permita definir o reutilizar conocimiento.  Objetivo 5 : Definir ontologí as para modelar el cono ci miento: perfil de usuario, con tex to del usuario y aplicacion es móviles. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 7 Capítulo 1: Introducción  Objetivo 6 : Realizar una revisión de los sistemas d e r ecomendación, de modo que la elección y el d e sarrollo del t ipo sea la más adec uada p ara el estudio.  Objetivo 7 : Desarrollar un sistema de r ecomendación de aplicaciones móviles que tenga en cuenta la inf o rmación obte nida del usuario y de su c ontex to.  Objetivo 8 : Integrar los el ementos anteriores (ontologías y sistema de recomend ación) en una arquitectura que permita recomendar aplicaciones a pers o nas con nec esidades especiales, y en es te trabajo en co ncreto, a personas con discapacidad visu al. Además de estos 8 objetivos, se ha añadid o uno más:  Objetivo 9 : Crear una aplic ación ( app ) para dispositivos móv iles que valide l a aplicación r eal de la arquitectura diseñad a. Para alcanzar estos objetivos debere mos realizar un a rev isión del est ad o del art e de t odos l os ámbitos que van a i nfluir en la creación de un sistema d e recomendación de aplica ciones orientadas a personas con discap aci da d v isual. Para ello, debere mos construir un perfil para el usuario y conocer, además de información personal, cuáles son otras características, como l as posibles discap ac idades o enfermedad es que pueden tener y que pueden afectar al m anej o de un dispositivo móvil. También analizaremos las características técnic as de es tos disp o sitivos m óv iles. Por otra parte, debere m os con o cer las característica s de las apps que hay en los reposit o rios de aplicaciones más c o nocidas y c o m probar si pod e mos cr ear un perfil para ellas. La ac cesibilidad es una de l as caracterís t icas determin antes para esta tesis, por lo que deberemos conocer qué he rramientas h ay d isponibles para las personas que t ien en una disc apacidad visual y que le permiten ac ced e r de fo rma más sencilla a la información de los disp ositivos m óviles. Además, las caracterís ticas de accesibil idad del s oftw are, tanto de las apps co m o de l os si st emas o perativos, también se tendrán en cue nt a a la h o ra de crear el pe rfil del usuario y de las app s. Otro de los ámbitos que influ y en en el estado de las personas y en sus necesida des es el c ont exto que les rodea, p o r este m otivo creemos qu e es imprescindible conocerl o e incluirlo. Una vez conocida toda la información de los diversos dominios que van a influir en la construcci ó n del sistema de recomendación, la mo d elarem os, y c r earemos una o ntología por cada uno de los dominios. Partiremos del conjunto de to das las ontologías para construir un sistema de ontologías o base de con oc imiento, sigu iendo una metodología ad ec uada. La base de conoc imi ento nos p ermitirá deter mi nar si la s aplicaci ones analizadas cumplen con las necesidades par t iculares de los usuarios, ya que será capaz de inferir si ex isten rel aciones beneficiosas entre l os usua rios y las apps. Todas las apps que cu m plan con algún criterio de l os establecidos por el usuario serán ofrecidas como adecuadas para él. No o bstante, unas se adaptarán mejor a sus necesidades que o tras. P ar a conocer cuáles son m ás a fines al usuario, an ali zare mos los ti po s de sistemas d e recomendaci ón y Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 8 Capítulo 1: Introducción seleccionarem o s el tipo más ad ec uado para que sea c apaz de realizar recomend ac iones de aplicaciones mó v iles utilizan do la base de con o ci m iento creada pre viamente. Tanto la base de c on o cimiento, como el sistema de recomendación se integrarán en una arquitectura diseñada para tal fin y , además, se realiz ará la implementación de es ta arquitectura en una app par a el sistema opera t ivo Android con la f inalidad de mo strar de f orma real l a utilidad del trabajo realizad o . 1.3. ORGANIZACIÓN DE L A MEMORIA Esta tesis está organ izada en cuatro sec ciones p rincipa le s: I. Contextual i zación : incluye una introducción al t em a de e sta tesis y establece el marco conceptual y t ecnol ó gico en el qu e se basa. Esto es, s e d es cribirá el papel fun dament al d e los usuarios en el us o de dispositivos móviles y las posibles dific ultades qu e las persona s con discapacidad pued e n encontrar en el acceso a la info r m ación. Además, se ex plica la utilidad de las ontologías para la rep resentación d el conoci miento y , por último, los beneficios de utilizar los sis temas d e re comendaci ó n para ajustar las r ecomendaciones qu e se le realizan a los usu ar ios . II. Propu est a : la propuesta p ara esta tesis es la de con st ruir una bas e de conocimiento, siguiendo una metodología adecuada, b as ada en ontol og ías. E n esta pr opues ta s e analizarán seis ámbitos de conocimiento (perfil de usuario, perfil de las apps, idio mas, contexto, disposi t ivos m óv iles y ac c esibilidad), y para cada uno de el l o s se construirá un a ontología. Tam bién se desa rro llará el sistema de re c omendaci ó n y se de scrib irá s u proceso de implementación . III. Recapitulación : po r últ im o, se analizará si se han alcan zado todo s l os objetivos planteados y se propond rán trabajos f uturo s basad os en el trabaj o realizado. IV. Anexo s : se incl u yen varios anexos con info r m ación sobre las aplicaciones recopiladas, sobre las apps que y a existen para recomendar ot ras aplicaciones y el detalle de las list as desplegables que se han creado en la app y que se muestran p or s eparad o por motivos de claridad. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 9 Capítulo 2: Marco co nceptu al y tecnológico Este capítul o está dedica do a revisar el estado del art e cons ider ando el marco c onc eptual y tecnológico en el qu e se encuad ra esta tesis. La primera p arte está centrad a en el dominio del problem a q ue se aborda en esta tesis, la discapacidad y la accesibilidad , té r m inos qu e se van a describir de f orm a brev e y resumi da, ya que se ampliarán en capítulos posteriores con más deta lle. La segund a parte se c o rresponde con el modelado de datos, para l o cual se ofrece una descripción de ontologías, definiendo sus propiedades, los diferentes tipos , alg unas de las metodologías existentes para s u construcción, y los lenguajes y herramienta s que perm i ten su manipulación. La t e rcera parte del capítulo está dedicada al análisis de los sist emas de reco mendación , su clasificación, sus características, su funcionamiento y su s ca mpos de aplicación. Nos centraremos en los qu e u t ilizan ontologías c omo base de con oc imiento. A dem ás, intro ducir emo s el concepto de similitud en los sistemas d e recomendación para valorar la adecuación de las recomendaci o nes que un sistema de recomendación ofre ce a un usu ari o. 2.1. DISCAPACIDAD Y AC CESI BILIDAD En este prim er apar tado se van a introducir los concep t os de dis c apacidad y accesibilid ad, por ser dos de los principal es c on cept os que se van a tratar en la tesis. Más adelante se verá c ómo representar y m o delar estos conce ptos en relación co n la c aract erización de un u suario. 2.1.1 . Discapacidad A lo larg o d e la historia (Vel ázquez et al., 2013) se han acuñado m ultitud de términos relacionados con las c apacid ades de la persona y qu e han sid o ampliamente util izad o s en diferentes á mbitos y que llev an asociados concepto s, ideas o valores culturalmente acep t ados que se han ido transmitiendo en el t iempo mediante palab ras entre g e neraciones (Romañach , 2007). Entre esto s términos se encuentra el de minusválido , que viene del latín y significa menos v álid o o que vale menos y ha sido utilizado para designar a personas que padecen una falta o li m itación, encerrando una connotación negativa. Es utilizado aún para designar zonas , como aparc a m iento Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 10 Capítulo 2: Marco co nceptu al y tecnológico para minusválidos, l avabo para minusválidos, etc. Ot ros t érminos que han p er sis tido en el ti em p o son los de defic iente , inváli do o discapacitad o . En aras de promov er una in t egración de aquellas personas que presentan algun a lim itación, surge el término discapacidad, que es el qu e actualmente está reconocido y es utilizado por la Organización Mundial de la Salud (OMS). No obstante, también se tiende a aplicar el término diversidad funci o nal (Foro de Vida Ind ependiente y Di v ertad) (Palaci o s y R omañach, 2006) a: - Conjunto de per sonas que por m otivos de l a difer e ncia de funcionamiento de su cuerpo o su mente realizan t areas h abituales de manera diferen te. - Personas que tienen órg an os , partes del cuerp o (in cluida la ment e) o su tota lidad, que funcionan de o tra manera porque son dif er entes. - Colectivo discriminad o po r cualquiera de las dos raz ones anteriormente expuesta s. Así, el térm ino “Diversida d Funcional” t ra nsm i t e una se nsaci ó n m ás positiva c omo personas independien t es de su condición física o m ental que se adaptan al medio con los recursos que poseen, aunqu e s ean difer ente s d e l os de otras p ersonas. Algunas organizaciones como la del Comité de Entidades Representantes de Personas con Discapacidad de Canarias (CERMI) en 2017, defienden que es preferible el t érmino “pers o nas con discapacidad” ya qu e a yud a a t ransmitir las dificultad es y el esfuerzo que estas p erso nas r ealizan y que es más impac t ante qu e el de “Diversidad Func i o nal”. Ante la diversidad de opiniones, en esta tesis se u tilizará el t érmino “personas con discapacidad ” como términ o o fi cial y reconocido en la a c tualidad p o r la OMS. Según la Organización Mun dial de la Salud, más de un billón de personas experim ent an algún tipo de di s capacidad a l o l argo de su vid a (alrededor d el 15% d e la p oblación mund ial), y se pr evé qu e este n úmero se incremente debido a los cambios demográf ico s, por ejempl o, la edad de la población y la pr evalencia de las enfermedades c róni cas ( WHO – News, dic. 2021) (WHO – News, jul. 2 021 ). P or este motivo, el es tudio sobre p ersonas que presentan cualquier tipo de discap ac idad conlleva tener una definición clara de lo s co ncep to s implicados, de la clasificación de las discapacidades y c ontar co n una es cala para cuantificar el grado de disca pac idad . En 2001, la OMS apr o bó la Clasificación Internacional del Funcionamiento , de la discapacidad y de la sa lud (CIF, 2001), qu e unifica los términos relacionados con la discapa ci dad, así como su graduación. Desde entonces, se mod ific a el significa do de discapacidad que se entiende c om o un concepto m ultidiscip linar que abarca diversos ámbitos y se d efine desde varios pu ntos de v ista c o n la finalidad d e no minus v alorar a ningu na persona. La clasificaci ó n de las discapacidad es t ambién o fr ec e varias opciones dependiendo del organismo o aut or de la c la sificac ión . También aparecen enferm edades o c ausas externas qu e pueden causar algún tipo de dis c apacidad, por ejemplo, una infección o un acci de nte d e coche. El grado de discapacid ad que t ien e una persona lo determinan l o s profesionales a t ravés de diversa s pruebas diagn óst icas, dando lugar a un valor en forma de p o rcentaje q ue den o ta la magnitud de la discapacidad de una p ersona. Esta discapacidad puede codificarse acorde al s iste ma propues t o por la CIF, permitiend o, de nu evo, unificar c o nceptos. Todos estos concep tos se t ratarán con más d et alle en el Capítulo 4 . Dom inio y Ontología del usuario. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 11 Capítulo 2: Marco co nceptu al y tecnológico 2.1.2 . Accesibi lidad El té rmin o accesibilidad se define, se gún la RAE c omo “ Cualidad de accesible ” y accesible como “ Que tiene acc eso ” y acc eso es la “ Acción de llegar o acercarse ”. Por l o tanto, se puede decir qu e algo accesible es aquell o a lo que una p ersona puede ll e gar de forma física o c ogn itiva. Claro está qu e ha y per son as que, debido a sus condiciones físicas o mentales, no pueden llegar a alcanzar objetos. Por ejemplo, las personas que van en silla de ruedas no pueden alcanzar los plat o s o los vasos qu e se g uardan en un muebl e alto s o bre el fregad ero, u na persona ciega n o puede conocer el c ont enid o de un papel manuscrito o u na persona con un a discapacid ad cognitiva pu ede no llegar a enten der una o bra de t e at ro cómica . La accesibilidad promue v e que todas las persona s te ngan acceso fácil a aquell o que no alcanzan como inf or mación, objetos o lugares. Para ello, los organismos oficiales t an t o mund iales como europeos o españole s, han creado multi tud de normas en d iversos ámbitos, como la educación , la arquitectura o el ocio, que se deben aplicar para crear las mismas opo r t unid ades p ar a todas las personas, independientemente de las p os ibles d iscapacidades que tengan o del contexto en el que se encuentren. En l a sociedad en la que v ivimos ac tualmente, el uso de dispos itiv os móviles y el ac ceso a la información de Internet, son práctica s muy extendidas y dadas las part icular idad es , tanto de los navegadores web c o mo de los teléfonos móv il es ( tama ño, pan talla, modo de manejo, etc.), l a W3C ( World Wide Web Consorti u m ) ha creado un c o njunto de normas, como l as WCAG 1 ( Web Cont ent Accessibility Guide lines ) o las MWABP 2 ( Mobile Web Appl ication Best Practice ), que regulan cómo se debe crear el cont enido para que se muestre de forma adecu ada y accesible a todas las personas. También existen guías de ac cesibilidad enfoc adas a los desarr o llador es d e apli c aciones para los dispositivos móviles como Apple co mo , por ejemplo, Accessibility Ver ifie r (2022 ) o para los dispositivos Android como, por ejemplo, Test de Acce sibilidad (2021). También existen herram i entas que permiten verificar el nivel de accesibilidad alcanzado en páginas web com o, p or ejemplo, TAW ( 2023), o en aplicacion es ori entadas a teléfonos móv iles como, por ejemplo, MobileO K C hecker ( 2010). Centrándonos en pers o nas con discapa c idad visu al , hay que mencionar l as h err amientas tiflotécnicas, las c uales f acilitan la accesibilidad a personas con ceguera y baja v isi ón (ONCE, 20 23a). Entre estas herramientas, se enc uentran l o s lectores de pantall a, los tecl ados braille, los magnificadores de pantalla , las impresoras braille o lo s co nversor es de texto a voz (ONCE, 2023b). Muchas de estas herramientas se pueden co nectar a los d ispositiv os móv il es permitendo su m anej o de f orm a sencilla, y o t r as ayudan a la realización de tareas independ ientemente de l a pre sencia o no de una discap acidad, c omo l o s asi st entes virtuales de los t eléfonos m óviles ( p or eje mplo, Siri de Apple) o los altav o ces inteli gentes ( p or ejemplo, Alexa de Amaz o n). Dada la importancia d e la accesibilidad para e sta tesis, se tratará c on más d et alle en el C apítulo 9 . 1 htt ps://w ww.w3.org/TR/W C AG21/ 2 htt ps://w ww.w3.org/TR/m w abp/ Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 18 Capítulo 2: Marco co nceptu al y tecnológico Figura 2-2: T ipos de ontologías según su nivel de generalidad Fuente: (Gu arino, 1997) - Según su nivel de formalidad : aunque en las definiciones de ont ología se menc i ona claramente la formalidad de las ontologí as, G ruber no descarta las ontologías no f ormales (Gruber, 1 99 5) y se pr o po n e ot ra clasifi cación (Xiao et al., 2020): o Una ontología informal pod ría ser especificada medi ante un catálogo de tipos que o bien no están definid os o s e us a sólo lengu aje natural en su defin ición. o Una ontología formal se espec ifi ca mediante una colección de nombres p ara conceptos y tipos de relaciones organizadas en un orden parcial por la r elación tipo- subtipo. Estas ontologías se pueden clasificar tambié n se gún la manera en que se distinguen los subtip os de sus supertipos:  Ontología axiomatizada : distingue subtipos mediante axiomas y d e finiciones en lenguaje fo r m al, como la l ógica o alguna notación tal que pueda ser traducida a la lógica mediante un o rdena dor.  Ontología basada en prototipos : distingue subtipos mediante una comparació n con instancias tí p icas o con pro t otipos para cada s ubti po. Las ontologías grandes, a m enudo, emplean una mezcla de métodos defin ici onales: axiomas y definiciones f o r m ales, que se usan por ejemplo para términos en ma t emáticas, físicas e ingenierías; y prototipos, que se usan para plan t as, animales e ítems do mésticos comunes. - Según su conceptualiz a ción: V an Heist et al. ( 1997), proponen una clasi fi cación según dos dimensiones: o Según cantidad y tipo de la e structura de la c onceptuali zación:  Ontologías terminoló g icas , como los l exicones, que especifican los térm in os que se usan para repres entar conoc i m iento en u n domini o de discurso.  Ontologías de informa c ión , que representan la es tru c tura de registros de las bases de datos. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 19 Capítulo 2: Marco co nceptu al y tecnológico  Ontologías d e modelado d e cono cimiento , que es pecifican conceptualizaciones del c on ocimiento. S uelen ser más ricas es tru cturalmen te que las de infor mación y, a men udo, se desarroll an confor me el uso particu l ar del conocimiento que están describiendo. o Según el su j eto de la conce ptualización:  Ontologías de aplicación : contienen todas las defin ic i o nes que se necesitan para modelar el conocimien to requerido en u na aplicación particular.  Ontologías d e dominio : expresan conc ep t ualizaci ones qu e son d irig idas a dominios particular es y pu eden usarse en diversas aplicacione s.  Ontologías genéricas : similares a las de do mini o, pero lo s conceptos que definen se consideran gen éric os en v arios camp o s.  Ontologías de repre s e nt ación : proporci o nan u n marco de trabajo representacional para definir otras ontologías. 2.2.6 . Principi os y metodolo gías p ara el d esarrollo de una ont ología Como en todo proceso, par a construir una ontología de manera fiable, es acons ejable seguir una adecuada metodología, sig uiendo los pr o cesos de desa rro llo, las actividades y técnicas indicadas. Sin embarg o , no existe u na única metodología, sin o que hay varias en las que poder apoyarse. También se deb en tener en cuenta una se rie de principios en l o s que poder baserse a la hora d e desarrollar una ontol ogía. 2.2 .6.1. Principios Existen una serie de principios que pu ed en ser útiles para el desarrol l o d e una o ntología (Arpirez , 1998) (Gruber, 1 995) : - No exist e una única fo rma correcta de modelar un dominio. L a solución dependerá de la aplicación y/o pr o blema con cret o. - El desarrollo d e una ontolo gía es un proces o iterativo. - Claridad y objetividad: los términos deben esta r definid os o bj e tivamente con una documentación en len guaje natural. - Coherencia: que permita inf erir de for ma consistente c on las d efinic iones. - Extensión: que permita la i nclusión de nuevos términos, basán dos e en los ya existentes , sin necesidad de m o dificación de lo ya establecid o. - Minimización d e la depende nc ia de la codificación: para ser independiente del nivel simbólico. - Minimización d e los co mpromisos ontológicos: para hacer el men o r número de referencias sobre el mund o que se mo dela. - Estandarización de nom br es en la medida de lo posible y no utilizar versiones en sin g ula r y plural de un mism o término . Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 20 Capítulo 2: Marco co nceptu al y tecnológico - Comprobación de l a j erarq uía de l os términ os que se incluyen en la ontol ogí a y e vitar ciclos. - Comprobación de que las subclases de una misma clase estén en el mismo nivel de generalidad. - Mejora de la comprensi ón y reusabilid ad de la ontolo gía, minimizando l a dist anc ia sintác t ica entre conceptos si m ilares. - Representación de conoci m iento disju nt o y exhaustivo: si el conjunto se subclases de un concepto es d i sjunto, definir una d esc omp o sición disjunta. La des c ompo si ción es exhaustiva si define el super-conce pto completamente. 2.2 .6.2. Met od olog ías para el desarrollo de onto logías Actualmente exist en v arias propuestas metodol ó gicas para el desarrollo de on t ologías ( Barber, 2018) (Guzmán Luna et al., 2012), entre las más s eguidas y usadas se enc uen t ran la metodología Noy an d McGuinness (Noy, 200 1) y G ómez-Perez et al.(2004), que han servido de base p ara otras como la de Bravo, H o yos y Reye s (2019) o Alvarado (2 0210). 2.2 .6.2.1. Met od ología de Bravo, Hoyos y R eyes La me t odología de B ravo, Hoyos y Reyes ( 2019 ) proporciona métodos y téc nic as que per m iten construir ontologías. Está basad a en la creación de u na ontología como un sistema de ontologías que im porta ontologías individu ales (o mó dulos) que están semán tica m ente relacionadas en la ontología global. Esta metodol o gía se establece en c uatr o pasos q ue guía a los d e sarrollad ores a t ravés del proceso de la construcci ón del sistema de ont o logías: Paso 1: Requeri mient os de la ontología. Paso 2: Diseño de la o ntolo gía. Paso 3: Construcción d e la ontología. Paso 4: Evaluación d e l a on t ología. El resumen de las acti v idad es que se deben realizar s e muestra en la Fi gura 2-3: Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 21 Capítulo 2: Marco co nceptu al y tecnológico Figura 2-3: Paso s de la Metodología Bravo, Hoyos y Reyes Fuente: (B ravo, Hoyos y Reyes, 2019) Esta metodología también i ncl uye el proceso de r az onamiento y la inclusión de regl as d e inferencia. A continuación, s e des cribe c ada pas o . PASO 1: REQUERIMIEN TOS DE LA ONTOLOGÍA. Consiste en es tablec er lo s requ eri mientos de la ontología iden t ificando el ámbito y d efiniendo posibles escen arios, usu arios y capacidades de la on tología para proveer resp ues tas y características de calidad. E sta fase se completa un a vez qu e se completan las siguientes tareas: a. Especificar la motiv a c ión de la ont ología, ex plican do quiénes serán los beneficiarios (usuarios o aplica c ión de la m is ma). b. Especificar la competencia de la on t ología: la o ntologí a debe resp onder a cuestion es sobre la información qu e t iene al m acenada y enlaz ada. PASO 2: DISEÑO DE L A ONT OLOGÍA. El segund o paso consiste e n diseñar la o ntología para ob t ener u n modelo fo r m al. Para c onseguirlo, previamente hay que realizar tres pasos para poder construir los mó dulos de la ontología (ontologías ind i viduales) como p arte del m o delo. a. Elicitación de términ os : identificar los c oncepto s elementales s obre el dominio de conocimiento. Est a lista de conc eptos se analizar á para ident ificar c uáles pertenecen a cada uno de los mód ulos de la o ntología. b. Identificación de lo s módulos: con los concep tos elementales extraíd o s de la lista ant erior, modelar los dominios relev antes a grupándolos de modo que se transfor m arán en m ódulos u ontologías individ uales. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 22 Capítulo 2: Marco co nceptu al y tecnológico c. Diseño individual de cada ontología: para cada módulo u ontología identificada, describir tanto la je rarquía co m o las propiedades de los datos y d e l o s ob jetos usan d o un lenguaje formal diseñado para la r epres entación del conocimiento y el razonamiento (DL – Description Logics ). En esta fase se deben re alizar, para c ada on t ología: I. Establecer las relaciones jerárq uic as entre los términos y añadir nuevos concepto s si fuese necesario. II. Definir los atribu t os o pr opiedad es de los datos para cada c oncepto, como po r ejemplo edad o n ombre de un usuario. III. Definir las relaciones de las propiedades de los objetos, enlazando, de este modo, dos conceptos r elacionado s semánticamente. IV. Axiomatizar, para definir el c onjunto mínimo de carac te rísticas qu e c ada individuo debe tener para ser miembro de una clase o concepto. Así se deberán fijar restricciones de cardinalida d o existencialidad , r estricciones para los valores, etc. PASO 3: CONSTRUCCI ÓN DE LA ON TO LOGÍA. En esta fase s e deben codificar los mó dulos ( u ontologí as individuales) de la ontología usand o un editor de o nt o logías y un lengu aje estándar, ad emás se deberán integrar t odos los módu los en el sistema de ontol ogías. Para cada uno de l os módul os , se deben d efinir las sig uien tes activ idade s: a. Implementación: consiste en usar un editor para implemen t ar los módulos de la o ntologí a definidos en el pas o a nt eri or. Bravo, Hoyos y Reyes recomiendan usar Protégé, ya que es un e ditor open- so urc e , qu e s e mantien e actualizado y con ampli o soporte d e la comunidad de desarrollador es . b. Población de los módulos: consiste en instanciar la o ntología con ind ividuos para poder evaluar las definiciones, relacion es y axio m as estab lecidos. P ara cada módulo de la ontología se debe c omproba r s u c o nsistencia y que n o existan contradicci ones. c. Integración de los mó dulo s: co nsis te en imp ort ar cada uno de los módulos para crear el sistema de ontologías. Una v ez realizad o , hay que comprobar la consis t encia pa ra verificar que la integración de l o s módulos no produce ninguna contradicción. Además, se deben añadir las relaciones semánticas en tre los concep tos en el siste m a de ontología s , para lo que se deben segui r los pas os : I. Definición de las propiedad es del sistema de o ntologí as: identificar y c r ear las propiedades de los objetos necesarias entre los concep t os de los d istintos módulos ontológicos. II. Axiomatizaci ón del sist ema de ont ologías: crear lo s axiomas y especificar las restricciones necesarias. III. Población del si stema de o ntologías: rell enar el s ist ema de ontologías con individuos que requieren relaciones semánti ca s entre ontologías. En este paso también se realizan ev alua ciones y correcciones en las propiedades de los objetos y axiomas en cas o de ser necesari o. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 23 Capítulo 2: Marco co nceptu al y tecnológico PASO 4: EVALUACIÓN DE LA ONTOLOGÍA. Según Gómez-Pérez (1994), la evaluación de la o ntología se refiere a la c orrecta const ruc c ión del contenido de la ontología, asegurándose que se i m plementan cor recta m ente l os requerimientos de la o ntología y las cuestion es d e c om petencia. El o bjetivo de la ev aluación es demostrar la validez del modelo del mund o con aquel modelad o formal m en t e. La evaluación de l a onto logía d e be comprobar si se res ponden las cuestiones planteadas en el Paso 2.b. del proces o de constru cc ión. 2.2 .6.2.2. Met od ología de Noy y McGuinness La metodología propuesta por Noy y McG uiness (2001) es algo m á s informal qu e las metodologías comentadas en las siguientes subsecciones. Los pas os que propo ne s on: 1. Determinar el dominio y el alcance de la ontología : delimitar el dominio de la ontología, uso d e la on t ología, para qu é cuestiones debe pr oporcionar una respuesta la on tolo gía y quién la utilizará y la m ant endrá. Al gunos de estos aspectos pueden cambiar d urante el diseño, pero con o cerlos ay udará a acotar la ontología. 2. Considerar la reutilización de ontologías e xistente s : a veces, la reutilización p uede contribuir a ahorrar traba jo a l o s desarrollad ores, y a que, por ejemplo, se parte de decisiones de diseño que ya han s ido estudiadas y adoptadas. L a reutilización pu ede llegar a ser un requisit o si nuestro s is tema debe interactuar con otras aplicaciones que han adoptado alguna o nt o logía particular. En est e sentido, los siste mas de rep res enta ción de conocimiento pro v een herramientas que ayudan a exp ort ar/importar otras o ntol o gías. 3. Enumerar los términos importantes de la ontología: puede ser útil contar con una list a donde aparezc an los términos sobre l os q ue s e van a hacer dec lara c iones en la ontología, sus propiedades, relaciones, etc. Esto contribuye a no olvidarlos y no tener que “rescatarlos” en fases po st erio re s del pro c e so de desarrollo con un coste mayor. Esta list a de términos pued e elaborarse sin atender a considerac io nes sobre si existen solapamiento s entre unos y o tros, o la oportunidad de modelar un c oncepto como una clase o una propiedad, aspe c tos que pod rán perfilarse en fases posterior e s. 4. Definir las clases y su jerarquía: tomando como base l a lista de térm in o s obtenida en el paso an terior, sele cc ionar preferentemente aquellos términos que se r efieran a o bjetos que tengan una ex istencia independiente, antes que los términos que se utilicen para describir otros objetos , que posiblemente pu ed an co nstituir las propiedad es de u na o m á s clases de la o ntología. Las cl as es se organ izarán en una taxonomía jerárquica , de tal f o rma que, si una cl ase A es subclase d e otra cla se B, en tonces cada instancia de A es también u na instancia de B. Para def inir est a taxonomía, se usa una de las t r es estrategias dadas por Uschold y King (1995) en su metodología: top-d o wn, bottom-up o middle-out. Consisten en: identificar los conceptos m ás generales primero y luego ir especializánd olos (top- down); ident ific ar los conceptos más especializad o s e ir generaliz ándo l o s ( bott om -up) ; o identificar los conc e ptos más im p ort antes y a partir d e ellos esp ecializarlos o generalizarlos, según el caso (middle-out) . No puede considerarse que una de las est rategias sea mejor que otra, ya que depen derá de cada dis eñado r concr eto. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 24 Capítulo 2: Marco co nceptu al y tecnológico 5. Definir las propiedades de las clases : por s í solas, l as clases no contienen informaci ó n suficiente para responder a las cues tiones que se plantearon en el paso 1: determinar el dominio. Por est a razón, es necesario describir la es tru ctura de l os conc eptos p or medi o de propiedades. Una vez seleccion adas las clases en el p aso anteri or, la g ran mayoría de los términos n o tenidos en cuenta aún de la lista elab orada en el paso 3, correspon derán a propiedades de dichas clases. Todas las subclas es de una clase her edan s us propiedad e s. Por esta razón, conviene a so ciar cada propiedad a la clase más g eneral que pu eda tener dicha propiedad. 6. Definir las c aracterísticas de la s propiedade s: las prop iedades pueden presentar d iferent es facetas que permiten definir el tipo al qu e deben pertenecer l o s v alor es de una propiedad , los v alor es permitidos o el número d e dicho s valores (conocido ta mbién como ca rdinalidad de la propiedad). Por ejemplo, es normal de finir una f ac eta que limite l o s v al o res de la propiedad nombr e de una cl ase a val ores de tipo c adena . 7. Crear instancias: la primera it eración d el proc es o d e desarrollo concluye con la definición de i ns tancias de las clases de la jerarquía. La d efinición de una instancia individual de una clase requiere, en primer l ugar, selec cionar u na clase, a continuación, c rear una instancia individual de esa c lase y, p o r último, asignar v alores a sus propiedades. 2.2 .6.2.3. Met od ología de Gr üninger y Fox Grüninger y Fox (1995) proponen una metod olo gía basada en e l desarrollo de s istemas de conocimiento usand o la lóg ic a de primer o rden. Para ello, definen los s igu ien tes pasos: - Identificación intuitiva de los escenarios principales, es decir, identificación de las posibles aplicaciones en las q ue l a ontología será usada. - Formulación de un conjunto de preguntas en lengu aje natural, a las que se les denomina cuestiones de com p et encia, con la finalidad de d e terminar el á mbito de la ontología. Estas cuestiones hac en referencia a c o nsultas a las cual es la ontología debería r esp ond er. - Especificación de la ter minología: en base a las pregun t as realizadas en el p as o anterior y sus respuestas, se ex traen los conceptos principales y las propiedades, relaci ones y axio mas de la ontología. - Formalización de l os interrogantes, expr esados en lóg ic a de primer orden. - Especificación de axiomas f o rmales, es de cir, la repres ent ación de un asp ec t o de la realidad. - Verificaci ó n de la ontología. 2.2 .6.2.4. Met od ología Methontology Methontology (Gómez-Per e z et al., 2004), c reada en el L abora t orio de Intelig e ncia Artificial de la Universidad Técnica de M a drid, propone la creación de una ontología que puede empezar de cero o en base a la reutilización de otras existentes. Inclu ye la iden t ificación del proceso de desarrollo de la ontología, un ciclo de vida basado en la evolución de pro totip o s (estándar IEEE1074 d e Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 25 Capítulo 2: Marco co nceptu al y tecnológico desarrollo de softwar e) y técnicas particulares para llevar a cabo cada actividad, com o se muestr a en la Figura 2-4. Figura 2-4: Ciclo d e vida Methontology Fuente: (Co rcho et al., 2022) Methontology prop orc i o na guías sobre cómo llevar a cabo el desarrollo d e la ontol ogía mediante las actividades de d es arroll o: - Especificación : definir el dominio, usuarios finales de la o n t ología, el propósito, el alcance, las metas y el grad o de formalidad. - Conceptualización : permite o rganiz ar y est ruc turar el cono c imiento adq uirido mediante tablas, diagra mas, lenguaje UML, jerarq uías, etc. y o btener el model o c onceptu al de la ontología. Esta actividad con t iene un a serie de tareas (constr uir glosario de términ os, con struir taxonomías de conceptos, construir diagrama s de relacio n e s binarias ad hoc , const ruir diccionarios de conceptos, describir relaciones bina rias a d hoc, describir atrib utos de instancia, describir atributo s de clase, describir c ons t antes, desc rib ir ax i omas f o rmales, describir reglas y describir ins tancias) en las que el orden propuesto no es estric tamente secuencial y que se muestra n en la Figura 2 - 5. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 26 Capítulo 2: Marco co nceptu al y tecnológico Figura 2-5: Tar eas incluidas en la activi dad C onceptualización de Methon tolo g y Fuente: (Co rcho et al., 2022) - Formalización : transformar el modelo conceptual en un modelo “semicomp utable” , usando grafos c onc eptuales, esque mas , etc. - Implementación : represen t a l a formalización de la ontología, es dec ir, pasar l a conceptualización de la ontología a un lenguaje como RDF, OWL, etc. - Manten im iento : mantener el correcto funcionamiento de la o n to logía mediante actualizaciones. Methontology también identifica actividades de gesti ón y de soport e para llevar a cabo el c icl o de vida de los prototip os e n lo s que s e basa e st a me t odol o gía. Actividad es de gestión: - Control : espe c ificar los mecanismos para ga r antizar que las tareas se realic en según lo planeado. - Aseguramiento de calidad : esp ec ificar los están dares de calidad que deberán cumplir las tareas realizadas. - Planificación : de l as tareas a llev ar a cabo en c ada ac t ividad de desarrol l o . o Tareas: identificar qué procesos se van a realiz ar en cada actividad del desarr ollo. o Correcciones: a tener en cuenta en cada una de las a c tividades del desarrollo en cada iteración del ciclo d e v ida d el protot ipo. o Calendario: para lle v ar a cabo las tareas. o Recursos necesari os : softw are, hardw are, h umanos , etc. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 27 Capítulo 2: Marco co nceptu al y tecnológico Actividad es de soporte : - Adquisición de co noc imien to : mediante la aplicación de las técnicas ad ecuadas. - Integración : in tegrar ontologías e x isten tes para garan tizar la reutilización del con o cimiento. - Evaluación : testear la ontología. - Documentación : docu me ntar apropiada mente la ontología para garantizar el éxito al ser compartida y reutilizada. - Gestión de la configura c ió n . 2.2 .6.2.5. Met od ología On-To -Knowledge La metodología On-To-Knowledge (Sure, 2 003) surge a partir de un proy ecto desa rrollado por la IST (Tecnologías de la Sociedad de la Informaci ó n) en el que se han creado herramientas y método s que soporten la administra c ión de conocimiento, ap oyado en una ontol ogía compartible y usable. Esta metodol o gía incluye la identificación de objetivos que deberían ser alcanzad os por las herramientas de gest i ó n de conoc i m iento y está basad a en un análisi s de escen arios de uso. L os pasos seguidos en esta metodol o gía están reflejad os en la Figura 2-6: - Punto de partida: se espec i fic an y ca pt uran los requ erim ientos, se identifican las cuestion es d e competencia, se estudian posibles ontologías a r eut iliz ar y se cons truy e un pri mer b orrador d e la ontología. - Refinamiento: d onde se pr od uce una on tología o rienta da a a plicacion es . - Evaluación de la ontología : donde se comprueban los requerimientos y las c ues tion es d e competencia. Se prueba la ontología en el ento r no de aplicación. - Mantenimiento de la ontología. Figura 2-6: M etodología On-To-Knowledge Fuente: (Sure, 20 03) Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 34 Capítulo 2: Marco co nceptu al y tecnológico - OilEd (Be c hhofer et a l., 2001): es ta herramienta permitía construir onto l ogías primero en OIL, lu e go en DAML+OIL, y finalm ente permite hacerlo en OWL. Ofrece una funcionalidad suficiente para per m itir a los usuari os const ruir on to logías y com prob ar e l funcionami ent o del razonador FaCT para comprobar la consistencia de las o ntologías. Sin embargo, las versiones actuales no proporci onan un entorno de desarroll o de ont olo gías completo. 2.2 .8.2. Herramientas independientes de un lenguaje de implementación c oncreto En los últimos años se han des arrollad o varios entornos que permi t en integrar ontologías en sistemas d e información existentes. S on flexibles y extensib les y es tán bas ados en arquitec tura s d e componentes. - Protégé (Protégé, 2000 ): desarrollado por el Stanford Medical Informatics de la Universidad de Stanford. Es una plataforma libre, de códig o abierto que pro p orciona un conjunto extensible de herramientas que p ermite construir el d o minio de una ont ología, c onfigurar formularios y crear e l domin io de conoc i m iento. Esta plataforma se puede extender con gráficos, diagra m as, etc. Además, es una librería a la que pueden acc eder ot ras aplicaciones. - Chimaera (M cGu inness et al., 2000) : es un sistema s oftware qu e pe rm ite crear y mantener ontologías distrib uidas en la red . Sus dos funci o nalidad es principales s on mezclar v arias ontologías y el diagnóstico de una o varias ontolo gía s. Pe rmite tareas tales co m o cargar bases de conocimiento de varios f ormatos, reorganizar taxonomías, re solver conflictos de nombres, navegar p o r las o nt ologías, editar t érmin o s, etc. - WebOd e (Corcho et al., 2002): d esarrollado en el Laboratorio de Inteligencia A rtificial de la Universidad Politéc nica de Madrid, es el s ucesor de ODE ( On tology Design Enviroment ). Esta aplicación s e usa a t r avés de la web y s u núcleo es el serv i c io de acceso a sus ontologías, utilizado por tod os los demás servicios y aplica c ion es que se acoplan al ser vidor. Fue construida como una plataforma escalable, ex t ensible e integrada que da soporte a la mayoría de los servicios involucrados en el desarroll o de ont ologías : edición, navegación, importación/exporta c ión de l e nguajes de ontologías, e dici ó n de axio mas, generación de documentación, e v aluació n y combin ac ión de ontol ogías. - OntoEdit (Sure et al., 2 002) (OntoEdit, 2003): es un entorno qu e co m bina el d es arrollo de ontologías c on la capacida d de colaboración y de infe renc ia. Pe rmite la repres entación semántica de l enguajes concept uales y estructuras med iante conceptos, j er arquías, relaciones y axiomas. Esta herrami enta permite re presentar gráficamente ontolo gías , almacenarlas y, posterior me nte, manipularlas en una base de datos relaci onal. Cont ien e test que facilitan la detección y l o calización de error es. El sistema es m ultilingüe, ya que cada elemento puede ser nombrado en varios idiomas, aunque internament e se use un único identificad o r. - KAON (Karl srude Ontology) (B ozsak et al., 2002) : es el suces o r d e OntoEdit , que fue desarrollad o en el Research Center for Informati o n Technologi es en la Uni versidad de Karlsruhe. Es un entorno flexible, extensible, de códig o abierto y con infrae st ruc t ura para editar y mantener o ntol o gías. Soporta una v ersión me jo rada de ontol ogías RDF. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 35 Capítulo 2: Marco co nceptu al y tecnológico - TopBraid ( TopBraid, 2 0 04): es una ap licación des ar ro llada como u n c om ple mento del entorno Ec lipse, usada para el desarro ll o, manejo y configuración de prueb as de modelos de cono cimiento y su ins tanciación en bases de conocimiento. Cumple c on el est ándar W3C. Permite la ed i ción de ontolog ías RDF, O WL y SP ARQ L. - KAON2 (Motik, 2005): desarrollado en 2005, es el su c esor de KAON, pero es un nuevo sistema que no es compatible con su predece sor. Está basad o en OWL-DL y F-Logic y permite la manipulación d e ontologías en estos l enguajes. Su inte rfaz p osibilit a el acc eso a herramientas como P rotégé. Tiene un módulo que permite extraer instancias de b as es de datos relaci o nales. - DUET ( DAML U M L Enha nced Tool ) (Duet, 2 008 a) (D uet, 2008b): fue desarr o llad o por AT & T Government Solutions Advance d System Group . Tiene la capacidad de t rabajar con v arias ontologías simultán eamente y de interactuar con otros servicios DA ML para const ruir ontologías interacti v amente. 2.2 .8.3. Otras herramientas Los ent orno s d e desarrollo anteriores pueden n o incorp orar todas las herra m ienta s necesarias p ara la adición y manipulación d e información en u na onto logía. Para ello surgen las reglas y el l enguaje SWRL. 2.2 .8.3.1. Reglas Las regl as permiten enriquecer la información que proporciona u na ontolog í a cuando alguna información n o puede ser represent ada de otra f orma. Las r eglas, además d e ser má s expresi v as, también disponen de bases de razonamiento eficie nt e sobre ellas y son bien conocidas en la práctica. También, en ocasi ones , se utilizan reglas do nde se podrían utilizar sen t encias OWL para hacer asercio ne s de for m a más sencilla o para produ cir una inferencia más el ega nte. Ya se mostró en el apartado 2.2.7. la ex i s tencia de la tecnol ogía RIF ( Rule In ter chang e Fo rmat ) de ntro de la Pila de tecn ologías d e la Web S emántica. Es t a t ec nol o gía, como su n om bre indica, n o es un lenguaje en sí, sin o un f orma t o c om ún de intercambio d e reglas entre diferentes s iste mas d e reglas, como l as creadas con SWRL, que se d escriben a continuación. 2.2 .8.3.2. SWRL (Semantic Web Rule Lang uage) SWRL (Horrocks et al., 2004) e s un lenguaje de reglas expresivo basad o en una combin ación de OWL y de Ru leM L ( Rule Markup La ng uage ) (Boley et al., 2001). SWRL permite a los usuarios esc ribir reglas en términos de conceptos O WL para proporcionar mayor cap ac idad de razonamiento deductivo del que aporta OWL. Está semánticamente constr uido usando la misma base d e Ló gica Descriptiva que OWL y prop o rciona garantías for males similare s en el desempeñ o de la inferencia. SWRL e xtiende el conjunto de axiomas de las ontologías OWL para incluir cláusula s de Horn 3 pudiend o así com binar reglas de tipo Horn c on una base de conoci miento OWL. Aunque n o ha 3 Una cláu sula de Horn es una regla de infe ren cia ló g ica con al m enos un li teral posi ti vo Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 36 Capítulo 2: Marco co nceptu al y tecnológico llegado nunca a ser un e stándar del W3C, hasta el m om ento ta m poco ex iste otro len g uaje estándar de reglas para comple mentar una ontología O WL2 D L . Las reglas pr o puestas están fo rmadas por un antece dente y un consecuente do nde el signif icado puede int erpretarse como: siempre que las condi cio nes especificadas en el antec edente se cumplan, deb en cumplirse las del c o nsecuente. O lo q ue es l o m ismo: “si el ante cedente se cu m ple entonces el consecuen te se cumple”. antecedente  consecuent e Tanto el antecedente com o el cons ec uente están formados por cero o más átomo s que n o pueden ser ni negativ os ni disjunto s : a 1 ^ a 2 ... → a x ^ a y A su vez, un átom o es una ex presión d e la forma: p(arg 1 , arg 2 , …, arg n ) donde p es un símbolo predi c ado y arg 1 , arg 2 , …, ar g n son los argumento s o términos de la ex presión . Un antecedente vacío o sin átomos se trata como tri v ialmente cierto (es decir, se satisface para cada interpretación), por lo tanto, el consecuente también debe sat isfacerse en cada interpretación. Un consecuente va c ío s e trata com o trivialmente fals o por lo qu e ni el antece dente ni el consecuente se satisfacen en i nterpretaci ón alguna. Átomos m últiples se tratan com o conjunciones, ya que las reglas con consecuentes conjuntivos pueden ser transformadas en múltiples reglas cada una con un consecuen t e atómico de for m a simple. En SWRL, los sím bolos predicados pueden incluir c lases O WL, propiedades o tipos de datos. L as propiedades est able cen si existe u na relación entre lo s dos argu mentos , siendo p ropiedades d e los datos o d e los objetos según lo s argumentos que se l e asignen. Los argu m entos pueden ser individuos, valores de datos o v ariab les que los referencian. Todas las v ariab les en SW RL se tratan como universalm ent e cuantificad as con su á m bito limi t ado a un a reg la dada. Existen siete tip os de átomo s en SWRL (Horr oc ks et al. , 2004): 1. Clases . Un átomo clase co nsist e en una clase O WL n o mbrada o una expresión de clase y un único argum ent o repres entando un individuo OWL. Po r ej emplo: Person(?p) Man(Alfred) Donde Pe r son y Man son clases OWL no m bradas, ?p es un a varia ble representa ndo a un individuo OWL, y Alfred es el n ombre d e un individuo o i nstancia OWL. Una regla simple de ejemplo, usand o át om o s clase, para declarar que todo individu o de tipo Man es ta mbién de tipo Person , p o dría ser: Man (?p)→ Pe rson (?p) 2. Propiedades sob r e individu os . Un átom o de propied ad sobre individuo s c o nsiste en una propiedad objeto OWL ( Object Properties ) y dos argumentos ( ?x , ?y ) que representan individuos OWL. Por e jemp lo: hasBrother(?x, ?y), hasSibli ng(Fred, ? y ) Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 37 Capítulo 2: Marco co nceptu al y tecnológico donde hasBrothe r y hasSibling son propiedades objeto, ?x y ? y son v ariables rep r esen tando individuos y Fred es el nomb re de un individuo OWL. Una regla de ejemplo p ara explicar que una perso na con sibling 4 masculino tiene u n hermano req u erirá capturar los conceptos d e OWL: persona, h ombre (masculi no) , sibling y hermano. El concepto de hombre y persona pued e ser capturado usando una clase OWL Person con una subclase Man ; las relaciones brother y sibling se pueden expresar m ediante propiedades o bjeto de OWL has S ibling y hasBrother con d om inio en el rango d e Person . La regla SWRL, por tanto, serí a: Person(?p) ∧ hasSibling(?p , ?s) ∧ Man(?s) → has Brother(?p, ?s) Se asocia así la propiedad h asB rother con todos l os individuos OWL con uno o más siblings masculinos y se asigna su va lor a esos siblings . 3. Propiedades de valores de datos . Consiste en una propiedad de dat os ( Datatype Pr operty ) y dos argumentos, el primero es un individuo y el segu ndo un valor. Por e jempl o: hasHeight(F red, ?h), hasAg e( ?x, 23), hasName( ?x, “Fred”) donde hasHeight (tiene altura), hasAge (tiene edad), y hasName (tiene nombre) son propiedades de lo s dat os. Una regla ej emplo con un valor bool eano en l a prop ie dad serí a afirmar que todas las personas que poseen un coche deb erían ser c l asificadas como condu c toras: Person(?p) ∧ hasCar(?p, tru e) → Driver(?p) Los individu os nombra dos ( NamedIn div idua ls ) también pueden referenciarse directamente. Po r e jempl o, se reescribe la regla anterior para clasifi car a Fred (que debe existir previamen t e en la o ntolo gía) com o co nduct o r: Person(Fred) ∧ hasCar(Fred, t rue) → Dr iver(Fred) 4. Mismo individuo . Mediante el símbolo sa meAs se afirm a que los dos ar gum e ntos individuos son el mismo. Po r ejemplo: sameAs(?x, ?y) sameAs(Fred, Freddy ) 5. Individuo s diferentes . M edian t e el símbol o differentF rom se afir ma que lo s dos argumentos individu os son difere ntes. Por ejemplo: differentFrom( ? x, ?y) differentFrom(Fred, Joe ) 4 Sibl i ng : par en tesc o de hermano/a. En OWL l a relación hasSibling se refiere a do s clases o individuos que s on subclase o instancias de una misma clase . Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 38 Capítulo 2: Marco co nceptu al y tecnológico 6. Rango de dato s . C onsiste en un n ombre de tipo de datos ( datatype ) o un conju nt o de literales y un único argu mento representand o un v alor . Por ej emplo, un valor cualquiera de tipo entero ( int ) o un val o r de entre u n conjunto (un valor entre el 3, 4 y 5). xsd:int(?x) [3, 4, 5](?y) 7. Incorporados ( built-ins ). Una de las características más potente s de SWRL es su habilidad de sopor t ar incorporacion es construidas por el usuario. Un built-in o incorp oración es un predicado que to ma uno o más argumentos y los ev alúa a cierto s si los ar gumentos satisfacen el predicado. Existen un os built-ins predefinidos, llamados “ core built- ins ” 5 para operaciones m ate m áticas y de cadenas comunes. Por convención, cuand o se usan en reg las van precedidos del calificador de espacio de nombres swrlb . Po r ejemplo, para indicar que una persona m ayor de 17 a ños es un adulto: Person(?p) ∧ hasAge( ? p, ?age) ∧ swrlb:greaterThan (?age, 17) → Adult(?p) Los bui lt-ins pueden tom ar cualquier combinación de valores de propi edades de tip os de datos. L os t ip os de datos pueden ser XML Sch ema o tipos definid os por usu ario. P ero no pueden tomar ni c las es , ni objetos, ni valores de pr opiedad (aunq ue e xiste una extensión llamada SWRLTab que s í l o permite). La propuesta de SWRL del W3C (Horrocks et al., 2004) no pr opo rciona un mecanismo para especificar el núm ero o el t ip o d e los argumentos de l os bui lt-ins , por l o que la comprobación de l os ar gum entos es r es pon sabilidad del implementa do r del b uilt-in . Sin embargo, sí que esp ec ifica que un built-in al que le pasen un nú m ero incor rec to d e argumentos, o de tipo erróne o , debería ev aluar a fa lso. SWRL permite qu e los usuarios construyan nuevas librerías de built-ins para emplearse en las reglas, co m o, por ejemplo, conversión de m o neda, ma nipulaciones temporales o búsquedas taxonómicas. Las descripciones de clase son bloques básic os de axiomas de clase que la describen y ta m bién son soportadas por SWRL. Eje mplo de una re gla que clasifica a un indi vi du o como padre si es un miembro de una clase c o n la pro piedad hasChild con una cardinalidad mínima de uno (mínimo tiene un hijo): (hasChild >= 1) (?x) → Pare nt(? x) Como OWL ( al igual que SWRL) sigue la asun c ión de l mundo abiert o , esta regla también haría “match” c on aqu ellos i ndividuos qu e no t ien en valore s para la pr opiedad hasChil d en la o ntología actual, pero para las cuales la existencia de esos valores podría deducirse de los axiomas OWL. No es posible expresar este tipo de matching en SW RL . Hay que t en e r pre sente que un objetivo fundamental de SWRL es e xtender OWL, por lo que se espera que los usuario s de O WL quieran utilizar esta s reglas y h ac erl o en combinación con un ra zonado r en su s ontologías existentes. Por l o tanto, l o s r azonadores qu e se vayan a usar deben te ner soporte para d ichas r eglas. Pero SWRL es indecidible, es, de hecho, semi-decidible. Para que SWRL sea decidible (Lawan y Ra k ib, 2 019) es 5 Un número de core built-in s vienen recogidos en h ttp://www.daml.org/rul es/proposal/bu i ltins. html Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 39 Capítulo 2: Marco co nceptu al y tecnológico necesario qu e se in cluya u na restricción en las regla s SWRL, de forma q ue sól o se pueden usar conceptos o individu os q ue se sabe con seg uridad qu e e xisten en la ont ología previamente (individuos nombrad os ). Esta pro piedad se conoce como DL-Safety. 2.2 .8.3.3. El razonamiento ontológico La equivalencia de OW L y la Lógica Descriptiva es l o que permite a OWL expl otar el razonamiento para cubrir importantes requ erim ientos lógicos como satisfacibili dad de conceptos, subsun c ión de clases, consistencia de clases, equiv alencia de clas es y comprobación de instancia s . Uno de los us os de la semántica formal es per m itir a los human os razon ar so bre el conocimiento. L os tip os de razonamiento q ue se pued en llev ar a c abo son (Ant o n iou y Harmelen, 20 03): - Pertenencia a clases : si x es una instancia de una clase A y A es subclase de B, se puede inferir que x es una in stancia de B. - Equivalencia de clases : s i la clase A es equivalente a la B y la clase B es equivale nte a la C, entonces A es equi v alente a C . - Consistencia : las declaraciones deben ser consistentes en la ontología o po drí an llevar a errores. - Clasificación : si s e ha declarado que una propiedad es c ondición sufici ent e para pertenecer a una clase A, entonces s i un individuo x satis fac e di cha propiedad, debe ser un a ins tancia de A. 2.2 .8.4. Raz on adores Un razonad o r es una pieza de software c apaz de deducir las consecuencias l ó gicas de un conjunto de hechos afirmados o axio mas. La n oc ión de un razonad o r semántico generaliza la de un m o tor de inferencia, al o frecer un con junto más amplio de mecanismos para trabajar c on ello s. Las re glas d e inferencia común m ente s e especif ican mediante un l enguaje de ontol og ías y con frecuencia un lenguaje de descripci ón. Algunos de l o s razonado r es q ue s on capac es de trabajar sobre OWL y q ue se pueden utilizar tant o en Pr otégé como en O W L A P I son FaCT++, Herm i T y Pe llet, y se explican a continuación. 2.2 .8.4.1. FaCT++ El sistema FaCT (Fast Classification o f Terminologies) es un clasificador de lógica desc riptiva (DL) que también se puede u til izar para las pru ebas de sati sfaci bili dad de lógica modal. El Sistema de Información FaCT incluye dos razonad o res, uno para SHF y ot ro para SHIQ (Horrocks, 2003), los cuales utilizan alg oritmos robustos, completos y sobre modelos de dat o s cambiantes. FaCT++ (Tsarkov an d Horrocks, 2006) es la nueva g eneración de FaCT que usa l os algoritmos FaCT pero con diferente arquite c tura intern a y razona sobre OWL DL y (parcialmente) OWL2. Está implem ent ado en C++ para crear herra mientas software m ás eficie ntes y facilitar la porta bilidad. El razonad or implementa un procedimie nt o de decisión de SHOIQ, con apoyo adicional para los tipos de datos, Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 40 Capítulo 2: Marco co nceptu al y tecnológico incluyendo cadenas y entero s. FaCT++ se distribuye bajo u na licencia p ública de GNU y está disponible para su de scarga, tanto como un archivo bin ario y como el código fue nte 6 . 2.2 .8.4.2. Hermi t Hermit 7 (Shearer et al ., 2008) es un razonador de ontologías en el lenguaje OWL. Dado un fichero OWL, Hermit puede d eterminar, al menos, si la o ntol og ía es consistente e identificar las relaciones entre l as cl ases de subsun c ión. Hermit es el prim er razonad o r O WL a disposici ón del púb lico qu e está basad o en un cálculo hyper tableau no vedoso y que ofrece un razonami ento mucho más eficiente que cualquier algoritmo previamente conocido. Las ontologías, que antes re querían horas o minutos p ara clasificars e pued e n, a menud o , clasifica rse en segundo s gracias a Hermit, y además es el primer razonador capaz de clasificar ontologías que se han tomado como demasiado complejas d e m anejar ante riormente por cualquier sistema disponible. He rm it utiliza la se m ántica directa y pasa todas las pruebas de conformidad OWL2 para razonadores de semán t ica direc ta. Es de código abierto y s e distr ib uye bajo licencia GN U. 2.2 .8.4.3. Pellet Pellet 8 (Sirin et al., 2007) es un razonador de código abierto para OWL 2 DL en Java e incluye soporte para OW L2 EL. Ofrece servicios estándar de última generación de razonami ento para o ntologías OWL. Pellet propor c iona fu ncionali dades para : - Comprobar la consistencia de las ontologías y asegurar que no contienen hechos contradictorios. Esta funci onalidad se pu ede definir como: oper aci ó n para comprobar l a consistencia de un ABox (Assertional Box es un co mponente que contien e afirmaci o nes sobre individuos) respecto a un TBox (Termin ological Box e s un componente que contiene axiomas sobre clases). L a combinación de AB ox y TBox fo r m an la b ase d e conocim iento (KB – Knowledge Base ) , es decir , l a ontología O WL completa . - Satisfacibilidad d e los conceptos, es d ecir, comprobar si es posible que las clases contenga n individuos o instancias. - Clasificar la taxonomía y es tabl ecer las relaciones entre las clases y subclases para completar la jerarquía d e c la s es. - La realizaci ó n, que establec e la clase m ás específica a la que puede pertenecer un individuo. Las consultas s e pu eden formular m ediante SPA R Q L y tiene buen soporte para reglas S W RL (Sirin et al., 2007). Los co m pone ntes principales d el raz o nador Pellet pu eden verse en la Figura 2-9. 6 FaCT++ http ://c ode .google.com/p/fa ctpluspl us/ 7 Hermit htt p://www .hermit-reaso ner.com/ 8 Pellet http://clarkparsi a.com /pell et/ Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 41 Capítulo 2: Marco co nceptu al y tecnológico Figura 2-9: Co mponentes principales de Pellet Fuent e: (S irin et a l., 2007) 2.3. SISTEMAS D E RECOMENDACIÓN En es t e apartado se v an a analizar los distinto s tipos de si s temas de recomendación, su funcionamiento, sus ventaj as e inconveniente s, a sí como sus campos de aplicación. Más adelante, en la Sección II. P ropuest a, se justificará la elec ció n del t ipo d e sistema de recomendación considerado más adecuado que permita desarrollar un sistema concreto que use l as ontologías que se han definido prev iamente como bas e de conoci m iento. También se verá que, hacie ndo uso de un cálculo de similitud ent r e val ores, se pu ede medir có mo de buenas son las r ecomendaciones obt enidas de un sistema de ontología s . 2.3.1 . Justificación del uso de los sis temas d e recom endación Es usu al qu e un a p erso na pida opinión sobre un te m a o producto qu e le interesa conocer para, por ejemplo, comprarlo, v erlo o acceder a él (escuchán dolo, leyéndolo, v isitánd olo , etc.). Es en este momento cuando aparece n opiniones tan v ariadas como p ersonas han podid o dar s u valoración sobre ese tema y los in t eresad os no tien en c laro en cuál de todas ell as deben con fiar para obtener una experiencia satisfactori a. Por otra par t e, actualmente ciertas platafor m as de streaming son capaces de verter opiniones y valoraciones s obre aquellos produ ct os (películas, series o gru pos m usical es ) que nos pueden interesar. Ta mbién se encu ent ran este t ipo de ejemplos en plataf o rmas de come rci o electrónico que sugieren artículos relaci onados con las búsqueda s recientes o las compras realizadas. Baj o el título “ S i has visto/oído/c ompr ado… quizás tambié n te guste… ”, se enc uentr a diversidad de información relaci onada con los gustos o pr eferenc ia s de los usuarios. De es ta forma, e s tos sistemas recomiendan productos que el usuario u otras p ersonas han comprado, porqu e deducen q ue s e manti enen nuestros mismo s gustos o bien, en el caso de otros, que sus gustos s on s i m ilares a los nu e stros. Los sistemas de recomen d ación surgen prec isa mente de la necesidad de desarrollar una herramienta que ayude a lo s usuarios a encontrar aquellos datos que consideran interesantes entre Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 42 Capítulo 2: Marco co nceptu al y tecnológico la ingente cantidad de inform ación que actualmente ex iste. Además, se es pera que los datos y las valoraciones que s e reciba n es tén acord es con los gu stos o necesidades d el usuario. En es ta tesis, se aborda el es tudio d e los sist emas de recom endaci ó n como h erramienta c apaz de obtener un conjunto de recomendaciones dirigidas a una persona sobre qué apps que se c onsidera n adecuadas conforme a su perfil, a partir de la información semántica de varios á m bitos (personas, apps, c ontext o, idio mas , dispositi vos móviles y accesibilidad ) previamente modelada mediante ontologías. Los si st emas de recomend ación apor t an, además, un valor de p roxim idad entre el usu ario y los ítems a recomend ar (en nuestro caso las apps) in dicando cómo de buenas son las rec omendacion es obtenidas a partir de una base de con o cimiento. A con ti nuación, se v an a analizar lo s sistemas de recomendaci ón, qué so n, su estructura, los tipos que hay y l os problemas q ue presentan. Se situará el foco en comprobar c uál es la aportac i ó n d e los sis temas d e reco m endación semán t icos frente al resto de tipos cuando la información qu e se maneja está modelada mediante ontologías. Posteriormente, se pre sentarán medidas de similitud utilizadas para m edir la bondad de las recomendacio nes o btenid as. 2.3.2 . Definicione s de sis temas d e recomend ación El términ o de sistema de recomendación no cuen t a con un a definición única y c onsensuada en la literatura, sino que hay una amplia variedad y cada una de el las está e nfocada d esde u n punto de vista. Para una mejor comprensión de las siguientes definiciones, ha y que indicar que se denomina ítem o producto a lo q ue el s ist em a rec omienda a l os usuari o s (libros, p elículas, artículos, etc.) y vecino a otras personas que t ienen preferen cias si milares . Se destacan las siguiente s: - Los sistemas de recomend ación son herramientas software o técnic as que ofrecen sugerencias específicas sobre ciertos ítems (acciones o s ervi cios) en un dominio dado q ue puede ser considerad o de interés para un usu ario (R esn ik et al., 1997). - Un siste ma de recomendaci ón s e define c om o una estrateg ia de toma de decision es para usuarios en entorn o s de inf o rmación c ompleja (Rashid et al., 20 02). - Los sistemas de reco m endación per mi ten a las per s onas encontrar los recursos qu e necesitan haciendo uso de las experiencias y opiniones de s us v ecinos más cercan os (Massa y Avesani, 2004). - El objet ivo de los sistem a s de r ecome ndaci ón es generar re c omendaciones signif ic ativas a un c onjunto de usuarios sobre ítems o productos e n los que pueden estar in teresados (Melville y Sindhwani, 2 011 ). - Un sistema de recomendación es una subclase d e si stema de filtrado de información que busca predecir l a valoraci ón o preferencia que un u su ario le daría a un ítem (Bad he et al., 2019). Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 43 Capítulo 2: Marco co nceptu al y tecnológico - Los sist emas d e r ecomendación son sistemas de filtr ado de infor mac i ó n que emplean la extracción de datos y el análisis de los comportami e ntos de lo s usuarios, incluid as l as preferencias y las actividad es, para predecir los int eres es de lo s usuari os sobre inf orm ación, productos o ser vicios (Zhu et al., 2021). - Los sis temas de recomen dac ión son herr amientas e ficientes para f il trar información onlin e y están m uy extendidos debido a los hábitos c a m biantes de los u suarios de comp utado res, las tendencias hacia la personalización y el emergente ac ceso a Internet ( R oy y Dutta, 2022). Estas defin i ciones no so n excluyentes, sino que son c om plementarias y p erm i t en tener una visión global del significad o de sistema de recom en dación. En otro sentido, es importante resal tar que entre las fi nalidades d e los sist em as de recomendaci ó n se incluyen las siguiente s (H erlo cker, 2004): - Encontrar algunos ítems buenos : consiste en ofrec e r al u suario u n listado con ítems clasificados junto con pred icc iones de cuánto le gustaría n al usuario, p o r ejemplo, con escalas de 1 a 5 estrellas, qu e puede o no mo strarse. - Encontrar todos los íte m s b uenos : recom ienda todos los ít ems que pu eden satisfacer la s necesidades de los usuarios (todos los que se han encon t rado que p ueden ser del gusto del usuario). Suele ocurrir cuando el número de ítems es relativ a mente pequ eño o cuando el sistema de r ecomendación fu nc iona en un entorno crítico c omo en aplicaciones m éd icas o financieras. - Anotación en contexto : c onsiste en permitir que los usuarios especifiquen explícitamente el c ontexto en el q ue q uieren recibir las recomendacion es (p or ejemplo, ubicación , tiempo, actividades planificadas, et c .). El contexto puede afectar significati v amente a la relevancia de las recomend ac iones y aporta una mejora en el sis t ema de recomendación al ser capaz de adaptarse a las n ec esida des c ambian t es de una per so na. - Recomendar secuen cia s : secuencias de ít ems que se supone que en su conjunto serán del agrado del usuari o . - Recomendar paquetes : con junto c on varios ítems agrup ados que el us uario deb e aceptar completo. - Navegación : posib ilidad de inspeccionar una serie d e ítems que pueden ser del interés del usuario. - Encontrar recomendaciones creíbles : oc urre cuando un usuario prueba un sistema para comprobar que acierta c o n s us rec omendaciones. - Mejorar el pe rfil : obtener r et roalimentación del usuar io para ajus t ar su perfil. - Autoexpresarse : cuando al usuario lo que más le in teresa es aportar su opinión más que dar recomendacion es a ot ros usuari os. - Ayudar a otros : el usuari o c o mparte su opinión acerca de un ít em con el pr opósito d e ayudar a to m ar una decisión a o tros usu ari os. - Influenciar en otros : cuando los us uari os v aloran con una alt a puntuación un ítem para que éste sea recomend ado . Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 50 Capítulo 2: Marco co nceptu al y tecnológico La mayoría de los sitios web que utilizan sistemas c olaborativos aplican o tra técnica apart e para mejorar las recomendaci ones. Es usual que se puedan distinguir est as técnicas po r el tipo de información que ofrecen. Es el caso de Netflix 9 , cuyos responsables y a anunciaro n en 201 6 que se iban a crear comunidade s utilizando datos de usu ar ios de todo el mundo para mejorar sus recomendaciones p er sonal izadas (Netflix, 2016). Amazon 1 0 es uno de s itios d e venta online que utiliza el modelo colaborativo basad o en ítem como parte d e su t écnica de r ecomendación y marketing. Esta pla t aforma recomienda ítems qu e otros usuarios han comprado previamente junto con algun o de los que se d esea comprar (Linden et al., 2003) bajo el título: “ Ot r os usuarios tambi én comp r aron … ”, “ Los clientes que compraron este producto también co m pra ron… ” o similar. MovieLens 1 1 es un sistema de recomendación ( basad o en ítem) de películas que recolecta las valoraciones que los usuarios le dan a las pelícu las y a grupa a esos us uari o s conforme a sus gustos similares. Po steri orme nte, s e pr edicen, u t ilizand o la s valoraciones de l os usu arios d el grup o, las opiniones de cada indiv iduo del grup o sob r e película s q ue aún no ha vist o . La plataforma de m úsica en streaming Spo t ify 12 también recoge datos de usuarios similares al usuario ac tual para obtener recomendaciones más precisas sobre las canciones que pu ed en gustarle. 2.3 .2.3.3. Ventajas y limitaciones Las principales ven t ajas de los sistemas de re comenda ción colaborativos son : - Información de los ítems : el sistema no necesita t ener una descripción ni una comprensión del contenido de l os íte m s previamente. Est o implica que el sistema puede rec o mendar productos sin ten er que an alizarlos. - Adaptativo : el sistema r ecoge en tiempo real los cambios en los in tereses de l o s usuarios y puede actualizar las recomendaciones sin de mora. - Ítems diferentes : pueden reco m endar ítems de con t enidos m uy diferen t es siempre y cuando a lgún otro usuario haya mo strado su interés por él. E s una v entaja en c uanto que en un m is mo ámb it o se pued e n re co m endar diferentes tipos de ítems, como lib ros , películas o restau rant es. - Ítems inesperados : e ste t ipo de sistema s son capaces de realizar recomendacione s inesperadas e inusuales que no guarden relac i ó n c on los ítems valorados positivamente por el u suario. A s í, los u suarios pueden obt en er nuevos íte ms q ue n o pertenecen a su “zona de confort” y descubrir n uev os gustos y preferencias desconocidos hasta el momento. - Rendimiento : ti enen una buena fiabilidad en las recomendaciones cuando el n úmero de usuarios y valoraci o nes es a lt o. Algunos de l o s inconvenien tes de los sistemas de reco mendac i ó n colabora t ivos s o n: 9 htt ps://w ww.netfli x. com 10 htt ps://w ww.ama zon .com 11 htt ps://m ovie lens.org 12 htt ps://ww w.spotif y.com Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 51 Capítulo 2: Marco co nceptu al y tecnológico - Arranque en frí o : surge porque el s istema ofrece predicciones basadas en la existencia de gran cantidad de valoraci ones previas realizadas por multit ud de usuarios. Al in iciar un sistema de reco mendac i ó n, si no se cuenta con valoraciones pre v ias de un ítem , éste n o podrá ser recomendad o, por lo que las predicci o nes pueden no ser muy fiables. Este problema aparece de forma m ás destacada en los sistemas d e recomendación colaborativos. - Usuarios inusuales : este pr oblema, conocido com o el de la oveja gris, aparece cu ando ha y usuarios que tienen pr e ferencias o gustos i nusuales, es decir, que no e stán d e acu erdo ni en desacuerdo de forma consistente con ningún grupo d e p ersonas. Por es te m otivo, a este tipo de usuarios es complic ado hacerle re comendacio nes o si s e le hacen, segu ram ente no sean precisas. - Dispersión : se produ ce cuan do no existen sufici e n t es valoraciones s obre los ítems a recomendar, por l o qu e en las matrices de datos se en c uentran m uch os huecos “sin información” y lo s datos válidos están disp ersos en la matriz (Bobadilla y Serradilla , 2009 ). - Nuevo usuario : c uando un usuario se inicia en un sistema de r ecomendación , es difíci l recomendarle algún ítem s i no se cuenta con suficiente informaci ó n acerca de él. U n a solución temp o ral, hasta q u e se cuente con un perfil más c om pleto del usuario, es la de establecer unos valores por defecto, n o obst ant e, es ta sol ución no pro porciona recomendaciones p er sonal izadas. - Escalabilidad : los cálculos qu e debe realizar un algorit m o d e un sis t e ma de recomendaci ó n se inc re m entan conform e crece, t anto el número de usuarios como el d e ítems. Por lo tanto, es c rucial q ue los sis temas d e recomendación a pliquen algoritmos que sean capaces de realizar esta es calada d e forma satisf actoria. - Usuarios malinten cionados: s on aquellos que valoran sus pro pios ítems por un interés. Una posible solución a este problema es introducir valores de c onfianza en el sistema (O’Donovan y S my th, 2005). - Nuevos ítems : el sistema no pu ede r ecomendar ítems que no hayan sid o v al orados p o r ningún o tro usuario previa m ente. - Sinonimia : s e prod uce cuando el sistema no es cap az de detectar qu e hay ítems similares pero que t ienen distinto nombre. Si fuesen c apaces de hacerl o, se realizaría n m ejores recomendaciones. - Escala de valorac ió n p equ eña: la esc ala típica de v aloración que se su ele usar se expresa como una escala Likert en el rango {1, 2, 3, 4, 5}. Cua ndo se tienen cientos de objetos, la escala es demasiado peq ueña para r ealizar un o rden s obre los mejores obj et os. Una propuesta es la de aumenta r la escala a {1, 2, 3, …, 100}. No obs tante, es posibl e que el usuario no tenga muy clara la diferencia entre objetos que t ien e n valoracio nes m uy próximas. - Dimensión del tiempo: uno de los proble m as principales con la adquisici ón de las preferencias de l os usu arios es el ta m año pequeño d el conjunto de datos de entrenamiento. Conforme el usuari o usa el sistema, el conjunto de datos de prueba se vuelve mayor. Pero las preferencias de los usuarios s uelen ser ine st ables porque mo dific an Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 52 Capítulo 2: Marco co nceptu al y tecnológico sus gustos a lo largo del tiempo, y sus votos también lo s modif icarán. Una sol ución es valorar de for m a distinta la s preferencias actuales fre nt e a las prefer enc ias pasa das. - Efecto po rtf olio : ocurre cuando se recomienda un í t em acorde a las preferencias de un usuario, per o éste ya ha consumido u n ítem muy s i m ilar al que se le ha reco mendado. Este caso ocu r re m uy fr ec uente m ente con ítems de noticia s, cuand o un usuario ya h a recibido una no ticia, se le descartan no ticias similares q ue pueden ser de distinto origen y que las enfoquen d e otra for m a, evitando qu e el usu ar io t enga una visión d e un te ma des de varios puntos de vista. 2.3 .2.4. Sistemas de recomendación ba sados en contenido Los siste m as de r ecomendación basad o s en contenid o se basan en l a comparaci ó n de las preferencias de un usu ario con las c aract eríst icas que se utilizan para representar los íte ms a recomendar (Leskovec et al., 2020). En este c as o se ignora la infor mación que puedan aportar el resto de l os us uar ios o v eci nos pr óximos al usuario actual. De este m odo , lo que se le recomendará al usuario serán íte m s simil ares a otros que ya haya v alorado o elegido p reviamen t e él mismo. Los ítems a r ecomendar deben tener unas características comunes ( en el caso de las apps, categoría, títu lo, precio, ed ad recomend ada, dispositivo p ara el que es vá lida, etc. ) y p or otra p arte se c rean perfiles de los usuarios a par tir de su interacci ó n con los ítems en el pasado (como búsquedas o desc argas qu e haya realizado an teriormente en un repos itorio de apps). Una vez realizados es t os p er files, el proceso de recomendación consiste en hacer m at chi n g entr e l os atributos de un perfil de usuario con los atributos de un o bjeto de contenido ( ítem) para recomendar al usuario nuevos ítems interesan tes (Lops et al., 2011). 2.3 .2.4.1. Funcionamiento Es usual que l as personas s igan patrones e n su v ida y est o implica q ue hay similit udes en las cosas que le tienden a gustar . Por ejemplo , es normal qu e una persona a la qu e le g ustan los ani males tenga afic ión por leer art ículos y libros sobre el comportamiento d e los animales. El funcionamiento de este s ist em a es el siguien t e: cuand o el usuario a ctual le da una valoraci ón positiva a un ítem, éste, junto c on todos los que forman un perfil para el íte m (s on simi lares) pasan a construir un perfil para el usuario. Estos íte m s si m ilares al que se le realiz ó la v al o ración positiva son las recomendaciones q ue e l us uario r eci be. Formalmente se puede definir un s istema de recomen dación basad o en conteni do de la siguiente forma: dad o el conjunto de n ítems I ={ I 1 ,I 2 ,…,I n } , q ue se describen por medio de un conjunto de l ca racterísticas F ={ F 1 ,F 2 ,…,F l } , se pu ede defini r la matriz R d e tamaño nx l , donde las filas representan los ítems y las colum na s todas las características p o sibles para describ i rlos. En cada posición ( a,j ) h abrá un va lo r v a,j =1 en cas o de que e l pr oducto I a p os ea la característi c a F j y un valor v a,j =0 en caso c ont rar io. Po r otra parte, existe un conjunto de m u suarios U={U 1 ,U 2 ,…, Um} junto con un conjunto de v ot os de c ada usuario sobre sus ít em s evaluados en I . La fun c ión h(F) deberá clasi fic ar l o s ítems no valorad os por el usuari o co m o relevantes o no relevantes par a él evaluando la re lación en t re los prop ios ítems. La Figura 2-15 mu estra la matriz R d e l as c aracterísticas ( F ) qu e tiene cada ítem ( I ). Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 53 Capítulo 2: Marco co nceptu al y tecnológico I / F F 1 F 2 F 3 F 4 F 5 F 6 1 1 1 0 0 0 0 0 1 1 1 0 0 1 0 1 0 1 1 0 0 0 1 1 Figura 2-15: E jemplo de matriz p a ra un sistema de recomenda ción basado en contenido La Figura 2-16 muestra un ejemplo en el que un usuario ha valorado positiva m ente d os libros (flechas con lí neas continu as), com o hay un li bro si milar a uno de los q ue ha valorado previamente, éste se le recomendará (flecha con línea discontinua). Figura 2-16: E jemplo de sistema de recomendación basado en contenido 2.3 .2.4.2. Campos de aplicación y ejemplos Los sistemas de r ecomendación b asados en contenid o son a mp liamente ut iliz ados en situaciones en las que el material pued e ser leído o examinado (como artícul os, pel ículas o cualquier p ro ducto que contenga me tadatos ) . Por l o tanto, suele s er utilizado en las recomendaciones de libr os (Alharthi et al., 201 8 ), de películas, d e m úsic a o en entornos de aprendiz aje. IMDB 13 tiene un servicio b asado en la introducci ó n del nombre de una película, serie o espectáculo televisivo y el sistema le ofrece 10 re comendaci o nes. Sobre es tas reco mendaciones, el usuario 13 htt ps://ww w.imdb.com Similares Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 54 Capítulo 2: Marco co nceptu al y tecnológico puede dar una ret roalimentación positiva o negativa y d e este modo el sistem a va aprendiendo sobre sus propias preferencias. La mayoría de los ejem plos que se en cuentr an d e sitios web que ut ili zan sistemas de recomendación no utilizan un a única técnica, sino que suelen ser s is t emas híbridos. Pero sí que se puede distinguir su aplicación en las diferentes recomend ac iones, tal es el caso d e las plataf o rmas de e-com m erce como Amaz on , Aliexpress 14 , Zara 15 , Ma ng o 16 , eBay 17 o Shein 1 8 que utilizan lo s sistemas de recomendación para ay udar a sus clientes a bu s car í tems que quieren c omprar y muestran productos relaci o nados con aquellos sobre los qu e se realiza una primera búsq ueda, o bien sugieren prendas d e ropa que combinan con una y a seleccionada o pr oductos iguales, p ero d e otra marca. Otros sitios onlin e, de rec onocido pr estigi o , com o Ne tflix tienen servici o s d e r ecomendación para ayudar a sus usuari os a decidir qué películas o series les pueden gustar basán do se en sus preferencias (Reddy et al., 2019 ), en las valoraciones realizadas con “ Me en cant a ” o “ No es para mí ”, en la temática de las visualizaciones que realiza, etc. influyendo el s iste m a de recomendación en un 80% de las elecci o nes realiz adas por los usuarios (Góm ez-Uribe y Hun t , 2016). Parte de las recomendacion es qu e realiz a la platafor m a d e música Spotify ta mbién aplica la t écnica basada e n c ontenid o, ya que reco m ienda c ancion es a un usuario basándose en las canciones qu e ya ha escuchad o previamente o incl uso le crea l is tas de canciones ( playlists ) específicamente adaptadas basándose en el histórico de l os da tos recopilados, como frecuenci a de c ancion es o artistas escuchad os o playli st s que ha creado (Björ k lund e t al., 2022). YouTube 19 es o tra de las plata form as que r eal iza recom endaciones relacionadas c o n el contenido que el usuario está v iendo en el mo m ento y que ofrece re c omend ac iones conforme a l os vídeos previamente visualiz ados . La plataforma S cienceDirec t 20 d e Elsevier recomienda artículos si milares a aquellos que se e stán consultando bajo el t ítul o “ Recommende d articles ”, así como la plataf orma IEEE Xplore 21 de IEEE, que ofrece también ot ros a rt ículos relaci o nados con el tít ulo “ M ore Like Thi s ” . 2.3 .2.4.3. Ventajas y limitaciones El paradigma basad o en contenido tiene algun as v enta jas respecto a l o s colab orativos: - Nuevos ítem s: el sistema puede recomendar product os, aunque no ha ya n sid o valorados por ningú n otro usuari o pr eviamente, p or lo que el proble m a del arranque en frío s e amortigua. - Adaptativo : recoge los cambios en lo s intereses de los usu ar ios en tiempo real y mo difica las recomendaci o nes. 14 htt ps://ww w.aliexpr ess.com 15 htt ps://ww w.zara.com 16 htt ps://w ww.mango.co m 17 htt ps://ww w.ebay.com 18 htt ps://ww w.shein.co m 19 htt ps://ww w.youtub e. com 20 htt ps://ww w.science direct.com 21 htt ps://ieeexplore.ieee . org Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 55 Capítulo 2: Marco co nceptu al y tecnológico - Indepen dencia: los ítems recomendad o s n o depend en de la ex ist e ncia ni de la valoración de otros usuarios del s iste m a. - Recomendaciones no populares: los sistemas basados en contenido son capaces de recomendar ít ems que no son populares ya que no se basa en las opiniones de otros usuarios. Así, si un usuari o tiene gustos esp eciales, se l e reco mendará ítems relacionados con sus gustos parti c ulares . - Explicaciones : e s sen cillo m ostrar el proceso qu e se ha llevado a cab o para reco me ndar u n ítem en particular. El ofrecer estas explicaci o nes apor t a confianza al u suario y le ayuda en la decisión de seguir la recomendación o n o. No obstante, tamb i én pres entan algunos de los inc o nvenientes y s o n: - Sobre esp e ci alización : un exc eso de aprendizaje y especializ ac ión sobre los produ c tos y gustos d e un usuari o en particular pu ede sesgar los re sultados y no sugerir nuevos ít ems. Otro problema es que se realicen recomendaciones uniformes, demasiado eviden t es o de poco interés para el usua ri o, sin incorporar element o s que no coinciden con las preferencias del usu a rio pa ra que el usuari o no llegue a abu rrirse . - Nuevo íte m o laten cia : cuando se a ñaden í tems de manera frecuente a la base de d atos es difícil que es tén v alorados inmediatamente y qu e pued an ser sugeridos por el sistema de recomendación hasta que reciban valoraciones. Suele pasar un tiempo desde la incorporación de un ítem hasta su valoración y posterior reco mendación, p or lo qu e se pierden posibles reco me nd acione s de ese ítem. - Preferencias nega t iv as: a la hora de valorar un ít em , se puntuará cada una de las características que tenga. U na valoraci ón de 0 ( c om o el peor v alor), en un a de las características, pen al iza al ítem en su v aloración tot a l. C ada usu ario pued e asociarle un peso o ponderación muy distinta a c ada caracterí st ica, para darle m ayor o menor importancia según su p erspectiv a acerca del íte m, circunstancia que influye en la valoraci ó n total del ítem de f orma varia ble al obtener recomendaciones m uy distintas. - Contenido del análisis limitado: aunque un ítem tenga una g ran cantid ad de características, es po sible que el análisis no se realice sobre la totalidad de ellas dejando, por lo t anto, a lgunos íte ms fuera. Ade m ás, gener almente, es necesario conocimiento experto del do m inio capaz de o bten er y clasificar dich as c aract erí sticas. - Nuevo usuario y Escala de valoración pequeñ a: esta situación ya ha sido co m entada previamente. 2.3 .2.5. Sistemas de recomendación de mográficos Los sistemas de recomenda c ión demográfic o s asocian ítems c on datos demográfic o s c omo la edad, el géner o o el país d e los usuarios, es d ecir, q ue p ara nichos dem ográfi c o s dis tintos (grup os d e usuarios con unos datos com unes), se generarán recomendaciones distint as ( Ricci et al., 2011). Este enfoque asu me que las pe rso nas que perten ec en a u n mism o gr upo o c at ego ría comparten los mismos intereses y gust o s. Los nuevos usuarios del sistema s er án c lasificad os conf or me a sus características demográficas y le s erá n recomendad o s los ítems que y a han sido comprados o valorados p or el resto d e l os usuarios del grupo (Ad omav iciu s y Tuzh ilin, 2005). Est os sistemas d e Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 56 Capítulo 2: Marco co nceptu al y tecnológico recomendación son especialmente útiles cuando la c anti dad de info r m ación sobre los ítems es limitada. Este es el caso, p or ejemplo, de las páginas w eb s que asisten a los usuarios en función del idioma que hablan o el país des de el que se c onectan. También, es comparable a las reco m endaci o nes q ue se hacen en las bibliotecas, donde los libros de los menores se encuentran clasificados p or rangos de edad. Este t ip o de sistemas s e util i zaba m ucho en los inicio s de los siste mas d e recomend ac ión, pero en la a ctualidad só lo se usan en do minios de aplicaci ó n muy c o ncretos d ebido a las d ificultades para obtener los dato s demográ fic os necesarios para s u fu nc ionamiento . E ste inconveniente se debe a la preocupación a ctual por la privacidad de lo s datos y las leyes que rigen su c e sión y protección. 2.3 .2.5.1. Funcionamiento Sea m e l número de usuarios del co njunto U={U 1 ,U 2 ,…, U m } y n el núm ero de atributos demográficos representad os en el conjunto D={ d 1 ,d 2 ,…,d n } que han sido o btenidos en el proceso del registro del usuario en el sistema. El u suario, en su interacción con el sistema es preguntado im plíci ta o explícitamen t e p or su valora c ión sobre un c onjunto d e K ítems d el c o njun to I={i 1 ,i 2 ,…, i k } qu e pueden s er n oticias, páginas w eb, libros, películas, etc. I nicialmente, c ada usuario u i debe valorar un subconjunto de ítems S i . L a v aloraci ón ( rating ) realiza da por e l usuari o actual u c sobre un í tem s j se nom bra c om o r cj . Tras cr ear el perf il del usuario, el sistema de r ec omend ac ión calcula cómo de p arecido es el usu ar io actual res pec t o al resto de usuarios y se le asign a un vecindario. Ahora, el sist ema le asignará como recomendaciones tod os aquellos ítems v alorados p o r el grupo y que aú n no ha val o rado el usuario actual. En la Figura 2-17 se muestra un eje m plo de sistema de reco m endación demográf ico en el que una persona, al ent rar al sistema, es pregun tada por v aria s c ues t iones y s e l e clasifica demográfica m ente, por ej em plo, con l as personas que han indicado qu e s on de g énero m a sc ulino, y tras asignarla al gru po, recibirá las re com endaci o nes realizad as por hombres. Figura 2-17: E jemplo de sistema de recomendación demográfico Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 57 Capítulo 2: Marco co nceptu al y tecnológico 2.3 .2.5.2. Campos de aplicación y ejemplos Los sistemas de recomend ació n híbridos son l o s que suelen implemen t ar el filtr ado demográfico junto con ot ras téc nicas para mejor ar la precisión de las r ecomendaciones ( Vozalis y Margaritis, 2007). La info rmación demográfi ca se ha usado e n m últipl es ámbitos. P or ejemplo, par a mejorar la s recomendaciones sobr e libros (Yang e t al., 2009 ) (Sas e et al., 2015) (V aldivi ezo -Díaz et al., 2019 ) , películas ( Sride v i, 2017) (Vald iv iezo-Díaz et al., 2019), programas de televisión segú n la edad del usuario o páginas we b y deportes (Krulwich, 1 997). Otras aplicaciones de estos s istemas se pueden encontrar e n ámbitos relacionad os con el turismo, como SigTur /E -Destination (Moreno et al., 2013) que i ntegra información de mo g ráfica como parte de los datos que usa para realizar recomendaci o nes sobre el turism o en Tar r agona, Traveller (Schiaffino y Amandi, 2009) para c rear paquetes v aca cio nales y t ours, I nt r igue (Ardissono et al., 2003) o PETs ( Pe rsonalized Ele ct ronic Tourist Guide s ) (García et al., 2009). La i nfo r mación demográfica se usa también para hac er que las recomendaci o nes sean diferentes según el género y o fr e cer precios distintos a hombres y m ujeres, por ejemplo, en tiendas como Amazon ( Brand et al., 202 0) . También para predecir y afinar las recomendaci ones a los distintos tipos de consumid ores en ca de nas de ropa minor istas (Gierin g , 2008). En el campo del marketing, las necesidades de hombres y mujeres a veces son totalmen te diferentes (artícul os de higiene o de ropa interior, por e je m plo), por lo que es útil tener en c uen ta el género previa m ente (Al-S ham ri, 2016). También, se ha concluido que el coste de realizar las recomendaci o nes a un c ierto g rup o demográfico es me nor que a ot r o , y lo que s e tiende es a recomendar para el género masculino o ítems r e lacionados con ellos, l o que se puede co nsiderar incluso sexista. Por ejemplo, en recomendaciones sobre puestos de trabajo, l o s anuncios c on mejores remuneraci ones se ofr ec en a hom bres, en l as recomendaciones sobre libros se recomiend an aut ores masculinos y en el ámbito de las películas a los hombres se les recomiend an películas de acción y a las m u jere s ro m ánticas (Melchiorre, 2021). 2.3 .2.5.3. Ventajas y limitaciones Los sis temas de recomend ación demográficos solventa n algunos de los problem as presentados en los enfoques a nteriores como, por e jemplo: - El sistema no necesita mantener un h ist orial de valoraciones h echas por l os usuarios como en las aproxi maciones basadas en conteni d o o colaborativo (Burke, 2002). - No ti enen el pr oblema de la es calabilidad ya qu e no manejan gran c antidad de dat o s comparado con otr as técnicas. - Resuelven el proble m a del arranque en frío (Safoury y S alah, 2 013). - Solventan el problema del nuevo usuario, ya que no necesitan que éste realice valoraciones sobre los ítems para obt en er re co m endaciones. Sin embarg o, presentan algun as limit aciones ( Abbasch ian et al., 2017): Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 58 Capítulo 2: Marco co nceptu al y tecnológico - Identificar el grupo o cat egoría a la que pertenece el usuario: cu ando el usuari o es nuevo en el sistema, ya que depende de la cantidad de inf o rmación de mo gráfica pr oporcio nada. - Identificar las pre ferencias y l os intereses de los usua rio s para asignarles un mismo grupo no es una tarea sencilla. - Recomendación del mismo ítem : una vez qu e una persona pertenece a un nicho demográfico, que se basa en los intereses de los usuarios de ese gr upo, s e fuerza al sistema a recomendar sie mpre el mismo ítem a usuarios con p erfi les demográfic os simil ares. - Privacidad : lo s datos demográficos deben estar dispon ibles para el sistema y no t odos los usuarios desean aportarlos puesto que las personas, normal m ente son reticentes a proporcionar datos persona les o privados en entornos online (Awad y Krishnan, 2006 ). Si esta información no se obtiene, los grupos son demasi ado generales y las recome ndaciones que se h ac en también lo son. P ara evitarlo, se nec es itaría i nv es tigar y o bten er datos demográficos a t ra v és de otros medios, como las va loraciones de p el ículas, información obtenida de ataques a sitios web, comentarios realizados, clics seguidos, etc. (Bhagat et al., 2014). - Precisión de las recomen daciones : es men o r que las realizad as con las apro x imaciones basadas en contenid o o colaborati v as ya que las re aliz a en base a menos información. - Problema de la estabili dad vs la p lasticidad : se debe a que es complicado par a el s istema aprender a adaptarse a las mo dificaciones del perfil de un usuario si cambian sus preferencias hasta qu e s e vuelva a analizar y asignar a un nuevo grupo dem ográfico. - Vulnerab i lidad a los ataques : existen usuarios que realizan votaciones positivas o negativas sobre a lg unos ítems c on la in t ención d e m anipu lar las valoraciones sobre es os í t ems conforme a sus intereses (por ejempl o, aumentar venta s de un pro ducto, aum entar o disminuir las visitas a un restaurante o desprestigiar un a m arca). 2.3 .2.6. Sistemas de recomendación ba sados en comunidad o redes sociales Los sistemas de recomendación basad os en c omunidad recomiendan ítems basándose en la s preferencias de usuarios que so n amigos del usuario actual. Las r edes sociales son un buen ejemplo de este tipo de sistemas y se basan e n el dicho de Sa n A gustín “ Dim e qu iénes son tus amigos y te diré qu ién e r es tú ”. S egún el pensad o r, autor y or ad or mo tivacional Ji m Rohn , cada persona es el promedio de las cinco pers onas más cercanas e n su vid a, d ejando d e manifiesto que las personas que n os r odean influ y en en la for ma de comportarnos o de actuar en la v ida, ta nto en los valores como en los pensa mientos. Todos tienden a sentirse p arte de una comunidad o de un grupo en el que se sienten cómodos y ac epta d os. Est as co munidades tienden a t en e r un comportamiento y gustos si mil ares y, por norma g eneral, las r ec omend aciones que proporcione cualquiera de los miembros del grup o se supone que será del agrado del resto de la comunidad. Surgen con la aparición de las red es sociales y la web 2 .0 , cu y a fil osofía ya no e s la de p ersonas que consumen infor m ación, si no que se c on v ierten en productores de datos de cualquier t ipo. L os sistemas d e recom e ndación trat an de aprovechar toda esa cantidad d e inf o rmación para anali zarla y generar recomendaci ones. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 59 Capítulo 2: Marco co nceptu al y tecnológico El etiquetado social o tags ( en in glés) es el conjunto de t érminos en lengu aje natu r al que utilizan los us uarios de las r edes sociales para des cribir (o et iqu et ar) un texto, un documento, una imagen o cualquier recurso de la web. Est as e t iquetas son u na fuente en o rme d e co no cimiento y a que ayudan a conocer l os in ter eses de las personas y gen erar c on él un pe rfil. No obst ant e, a pesar de la s reticenci as c on la priv aci dad de los datos, en el entorno de las red es sociales e s muy común encontrar dat o s p er sonales (e dad, dirección, te léf o no, género, o rientación sexual, religión, estad o civil, hijos , et c.) aunque, en ocasi ones , los datos pueden ser falsos o incompletos. En los entornos de la s redes so ciales ya no es n ecesari o encontrar un vecindario o amigos para una persona calculand o una similitud, si n o que esa p ersona crea sus propias comunidades online estableciendo relaciones con múltiples amigos vir tuales, definidos p or H e y Chu. (2010) c omo dos personas que están c onectadas explícitam ente mediante algún tipo de enlac e social, con l os que se supone que t ienen cier tas cosas e n común. Un o de los principales us o s d e las red es sociales es la de comunicar info r m ación s obre n osotros mismos en modo de sent i m ientos, opiniones sob re productos que s e pru eban, mostrar imágenes de p roductos que gustan o disgustan, lugares que se visitan, opini one s políti c as, etc . (Zhou et al ., 2012). Tod a esta cantidad de información se analiza y a partir de ella se extrae información c omo la c antida d de t iempo que el usuario mira una noticia, los e nlaces en los q ue hace clic, l os perfil es que sigue y su temática, los pr oductos q ue compra, etc. a partir de la cual se le o frec en nue vas reco m endaciones: nue vos am ig os , nuevos producto s , nuevas tiendas, nuevos consejos, nuevos lib ros o películas. De las redes sociales surgen nuevas p rofesiones, entre ellas, la d e “ influenc er ”, que no s on más que grandes g e neradores de con tenido digital (text o s, imágenes o vídeos princip alm ent e) que opina n sobre una variada temátic a y que recomiendan que sigas sus consejos, influyen do así sobre el comportamiento de sus seg uido res. Estas p ers onas serán consideradas amigas en el círculo de las redes social es y podrán ten er un peso en la tom a de decisiones de sus seguid ores. 2.3 .2.6.1. Funcionamiento Las redes sociales pueden m od elarse como un graf o , donde las entidades son los nodos y l o s enlaces las rel a c iones que exist en entre ellos. Normalmente son grafos no dirigidos (la relación es en am bos sentidos) como en Facebook 22 , aunque pueden se r dirigidos en el caso de algunas redes sociales c om o en X ( antig ua Twitter ) 2 3 . Se puede establecer un peso entre las relaciones y s e representa como una et iqu et a en la r elación. La Figura 2-18 muestra un ejemplo d e dos pequeñas redes s ociales, una n o dirigi da y ponderada (a) y otra dirigida (b). 22 htt ps://ww w.faceb ook.com 23 htt ps://twitter.com Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 66 Capítulo 2: Marco co nceptu al y tecnológico 2.3 .2.8. Sistemas de recomendación híbrid os Los sistemas de recomendación híbridos se basan en la combinación de vari as de las técnica s nombradas anteriormente. La finalidad es la de obtener m ejores resultados al utilizar las v entaja s de cada tipo de t écnica par a resolver las desventajas q ue puedan tener. Burke (2002) pro pon e la siguiente clasificación de los métodos de hibridación para combinar las distintas técnicas: - Ponderado : es aquel en el qu e la puntuación de un ítem rec omendado se calcula a partir de l o s resultados de tod as las técnicas de r ecomendación que se han usado. Cada t écnica utilizada ap o rta un peso d iferente, indicando la i m porta ncia relat iva en la generación de la recomendación. - Conmutado : el s i st ema usa distintos criterios para c onm utar o cambiar entre téc nicas para obtener recomendaci o nes. A sí, pued e us ar un filt rad o c olaborativo p ar a usuari os nu ev os y un filtrado basad o en cont enido cuand o ya existe un usu ar io. - Mixto : se reali za un gran número d e recomendaci o nes simultáneam ent e obtenidas de más de una técnica presen te en el sistema, que posterio rme nte se combinan para dar una recomendación final. - Combinac ión de caracte rísti cas : mezcla los sistemas de recomendaci ón colabora t ivos y los basados en contenid o. L a información del sistema d e recomendación colab orativo se trata como si fuese una característica adici onal de un ítem en el sistema de recom endación basado en conten ido, que usará este nue v o y aumen tado conju nto de datos. - Cascada : im plica una fase de proc esado. Se usa primero una t écnica para producir un conjunto de ítems candid atos a ser recomendados y un a s egund a t écnica para ref inar est e conjunto de í tems candidatos y seleccionar lo s que fin almente serán recomendados. E s decir, utilizan la salida de un algoritmo como ent rada d e otro. - Aumento de características : se emplea para producir un a valoración o clasifi cación de un ítem y cuya infor mac ión se incorpo ra al proc eso de una nueva recomendación. - Meta-nivel : entrenan un modelo completo usando un algoritmo y usan este modelo como entrada a otro alg oritmo . La Tabla 2-1, e x traída de Burke (2002), muestra un r esumen de los m étodos híbridos comentados previamente: Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 67 Capítulo 2: Marco co nceptu al y tecnológico Tab l a 2-1: Métodos h íbridos de los S istemas de Recomenda ción (Burke, 2002) Método híbrid o Descripción Ponde rado Las p untuac iones (o v otos) de varias t écnicas de rec omendación se combinan p ara p roducir un a única recomend ación. Conm utado El sistema con muta entre t écnicas de recomend ación dep endiendo de la situa ción actua l. Mixto Las recomendaciones de varios sist emas de recome nd aci ón se presentan simultáneament e. Comb inación de caracte rísticas Las c aracteríst icas de varias fuent es de datos de los sistemas de recomend ación se ins ertan jun tas en un ún ico algorit mo de recom endació n. Cascada Un sis tema de reco mendació n refina las recomendacion es da das po r otro. Aumento d e caracte rísticas La salida de una técnica se usa como características de ent rad a a otro sistema. Meta-nivel El modelo aprend ido por un sistema de recomend ación se us a como entra da de otro. 2.3 .2.8.1. Funcionamiento Como se ha co m entado anterior m ente, los sistemas de recomendación híbridos combinan varias técnicas para obtener recomendaciones más precisas. El modo en el que se unen los sistemas puede ser mediante (Wang et al., 2022 ): - Diseño monolí tic o : comb ina varias estrategias en un solo algori t mo. Ha y , por lo tanto, varios tipos de datos de entrada al sistema, lo que impl ica que siem pre hay s uficiente información de inicio para poder proporcionar recomendaciones ad ecuadas. L a Figura 2 -21 muestra la represen tación de un sist ema de recomen dación híbrid o monolítico. Figura 2-21: E jemplo de un sistema de recomendación híbrido con diseño monolítico - Diseño paralelo : combina los diferentes sistemas posterior m ente de modo que cada sistema proporciona sus r ecomendaci ones que se fusionan para ofrecer una recomendación única. La Figura 2-22 m uestra l a representación de un si stema de recomendación híbrid o paralelo. SR Híbrido SR 1 SR 2 SR N …… Datos de entrada Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 68 Capítulo 2: Marco co nceptu al y tecnológico Figura 2-22: E jemplo de un sistema de recomendación híbrido con diseño para lel o - Diseño canal iz ado ( pip eli ned ) : se c o nectan l o s s iste m as un o a continuación de otro, de forma que l a salida de un o de los sistemas en la entrada del siguiente. Es p os ible que sistemas de recomendación pos teriores utilicen parte de la información original d e e ntrada. La Figura 2-23 muestra la repres enta c ión de un sist e ma de reco men daci ón híbrid o canalizado. Figura 2-23: E jemplo de un sistema de recomendación híbrido con diseño canalizado 2.3 .2.8.2. Campos de aplicación y ejemplos Como se ha comentado ant erio r m ente, la mayor parte de las plataf o rmas web ut ili zan sistemas de recomendación h íbridos para obtener u nas recomend aci ones l o m ás precisas y adaptadas a lo s usuarios. Netflix es un buen claro ejemplo de sistemas de recomendación híbridos y a que, po r u na parte, realiza recomendaciones comparand o los hábitos de visualización y búsqueda de usuarios similares mediante u n filtro c olaborativo y por otra p arte of rece pelíc ulas que comparten características con otras que el usuario ha valorado previamente aplic ando filtrad o basad o e n contenid o . Otra de las grandes pla t aformas como es A mazon , tam bién utiliza un sistema de recomendación híbrido en c uan to que realiz a recomendaciones basadas en el historial de compr as y visualizaciones de l os usuarios y , además, utiliza la información de otros usuari os similares para generar recomendaciones. También se h a usado, entre otr o s ámbitos (Lu et al., 2016) para mejorar las r ec omendaciones para los turis tas usuari os de la platafor m a Trip.com (Wang, 2022), para las recomendaciones de libros SR 1 SR 2 SR N …… Datos de entrada Hibrid aci ó n Datos de entrada SR N …… SR 2 SR 1 Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 69 Capítulo 2: Marco co nceptu al y tecnológico de una bi blio teca (Arunruviwat et al., 2022) (Torres et al., 2004) y para recomendaci o nes en comercios electrónicos ( Aprilia nt i et al., 2016). Huang et al., (2016) implementaron una aproxi m ación híbrida, que combina el filt r ado colaborativo basado en í tems, c o n e l f ilt rado colaborativo, b asado en la similitud qu e uti liza Google par a determinar el parecid o entre dos frases de búsqu eda. Esto hizo que se simplificara el c álculo de la similitud e incrementó la precisión d e los productos recom endado s. La limitac ión con la que s e encontraron fue la de depender de la conexión c on el algorit mo d e Google , ya que, si dejaban d e usarlo, su sistema de re com endaci ón funcionaría dife rente o incluso pod rí a no poder usars e. 2.3 .2.8.3. Ventajas y limitaciones Este t ip o de sistemas presentan la clara v entaja de mejorar las li m itacion es de los sistemas que lo componen, por ejemplo, utilizand o datos demográfic os o co nocimiento s obre usuarios similares para superar el problema del arranq ue en frío de los s is t emas basados en contenido. Así , contrarrestan las c arencias de un os sistemas con las caract er ísticas de ot ros potenciando el funcionamiento del sistem a y , por lo tanto, la calidad de las recomendaciones (Vozalis et al, 20 03) (Burke, 2000). Estos siste mas ta m bién son ca pac es de justificar d e forma precisa las recom endaciones y per m iten interactuar con ellos para obtener una ret r o alimenta c ión ( feedback en inglés) de las recomendaciones realiz adas y de las justificaci o nes ofr ec idas. Los resultados del uso de sistemas híbrid os (Abb aschian et al., 2017) mu e stran cla ram ente que, la interacción con el usuar io de forma m ás efectiva aumenta la satisfacción de es ta pers ona con el sistema de recomendación, lo que llevará al usuario a o btener el ítem que d esea más r ápidamente. Esta técnica supera los problemas de la dispersión ya que siempre se dispone de info r m ación obtenida por alguno d e los sistemas que lo in t egran (A ly ari y Jafari Navi m ipour, 2 0 18). Una de las p ri ncipales limitaciones de estos sist em as es la complejidad c omputacion al a la q ue se enfrenta al realizar l a imple m entación. También n e cesi t a i nfo r mación ex terna que en ocasiones n o está disponible (Al y ari y Jaf ari Navimipour, 2018). Por otra p arte, l os sistemas de recomendaci ó n híbridos no pueden generalizar n i expand i r de for m a sencilla los dominios o datos de entrada al sistema d e los dif er entes pro blemas e incorporar e se conocimiento desde o rígen es de datos más co mpletos (Kouki et al., 2015 ). 2.3 .2.9. Limitaciones de los SR t radic ionales y nu evas tendencias Los sistemas d e recom endac ión está n, en su m ayoría, i mplementados para realizar recomendaciones en pla t af o rmas digitale s y fomen t ar e l consumo de los prod uctos que ofrecen. Hay varias razones por las que los proveedores de servicios explotan estas tecnologías de recomendación ( R icci et al. , 2011): - Incrementar el número de ítems vend ido s: ser capac es de vende r m á s ítems qu e c uando no se realizan re c omendaciones. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 70 Capítulo 2: Marco co nceptu al y tecnológico - Venta m ás diversa d e a rtícu los: los sistemas de recomendación pueden sugerir ítems impopulares a l os usuarios adecuado s que s atisfagan sus gustos. - Aumentar la satisfacci ón del usuario: un sistema de reco m endación bien diseñado pu ede mejorar la e xperiencia d el usu ar io con el sitio o la a plic aci ó n. La combinación de recomendaciones efectivas y acertadas con u na interf az usable i nc rem entará la e valuación subjetiva del usuari o. - Aumentar la fid elidad del usuario: cuanto mayor sea la interacción entre el sist em a y un usuario, se obtendrá u n m odelo de r epres entación d e su s preferencias más refinado y , p or lo tanto, las reco m endacion es s e harán má s coincidentes con sus gu st os. - Mejor comprensión de l o que quiere el usuario: conocer las prefer enc ias de los usuarios puede aprovecharse para mejorar l a s ac ciones y los pr o ductos a recom endar. Se deduce de estas razone s qu e los sis t e m as están ce nt rados en el usuario, en la pers o nalización de sus recomendaciones y en facilitar su interacción c on el sistema. Es, por lo tanto, fundamental, tener un perfil de usuario l o más completo posible pa ra adaptar las recomendaci ones . Este perfil de usuario se o btiene a partir de la primera int eracción del usuario y se com plet a con el uso continuo del sistema. Cuanto más completo sea el perfil del usuari o, m ejores serán las recomendaciones p ro porci o nadas. Otro pu nto a tener en cuenta es el de los ít ems y su representación, q ue no es única ni uniforme en los sistemas ni en los distintos do m inios de aplic ación , por lo que la información no se pu ede compartir entre ello s, dificu lt ando la interope rabilidad. Debido a estas cuestiones, surge l a necesidad de s o lventar la heter og eneidad de los datos y la comunicación entre los si stemas, para mejo rar la calidad de las recomendaci o nes. Una de las propuestas más e xt endid as para d ar solución a estos problemas de los enfoques t radicionales es la de incluir técnicas d e la w e b semántica en los siste m as de r ecomendación, lo que ha dado lugar a los sistemas de reco m enda c ión semánticos , de lo s qu e s e hablará a continuación. 2.3 .2.10. Sis temas de recomendació n semánticos Los sist emas de recomendaci ón semán t icos t ratan de mejorar los sistemas d e recomendació n tradicionales y se basan principalmente en la c reaci ón de una base de conocimien t o que se des cribe mediante mapas conceptuales (como taxonomías o tesauros) u ontologías y usan es trat eg ias de filtrado basa das en técn icas de razona m iento semánt ic o par a me jorar la calidad de las recomendaciones. Según U trera et al. ( 2017), los sistemas de reco m endación semánticos se pueden clasificar en tres tipo s : - Sistemas basados en ontologías o esquemas de conceptos : realizan recome ndaciones basándose en el uso de ontologías como forma de representar el c on ocimiento sobre un dominio concreto de fo r m a completa y detalla da, mod elar los perfiles de los usua rios y de los íte m s. Utilizan tecnolo gías de la w eb semántic a para representar el conte nido (por ejemplo, en OWL o RDF) y para consultarlo (p or ejemplo, en S PAR QL). S obre las on tologías puede realizarse un proceso de inferencia que permita realizar y mejorar las recomendaciones. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 71 Capítulo 2: Marco co nceptu al y tecnológico - Sistemas adaptab les al co ntexto : determ inan el contexto del usuario para realizarle recomendaciones adaptad as a un a situación concreta (lugar en el que se encuentra, meteorología, disp o sitivo del qu e dispone, etc.). - Sistemas basados en rede s de confianza : s e basan en la creación de c onex ione s entre las diferentes p artes que comp onen el sistema de rec o mendación. S e enfo can e n garan t izar la fiabilidad y precisió n de las recomendacion e s a part i r de la confianza que los usuarios aportan a los resultados de las re c omendaciones. El cálculo y la repres ent ación de la confianza dependerá , en g ra n m edida, d e las caracterí st icas del sistem a. 2.3 .2.10.1. Funcionamiento Los sistemas semánticos b asado s en ontol ogías usan como base de conocimien t o las ontologías, que representan los rasgos semánticos d e l os ítems y de los usuarios, y tienen como estrategias d e filtrado las basadas en técnicas de razonamiento s emántic o , que descubren las r el aci o nes relevantes entre las prefer encias del usuario y los ítems a r ecomendar (B lanco- Fer nánd ez et al., 2011). 2.3 .2.10.2. Campos de aplic ación y ejemplos Como ya se ha c oment ad o anteriormente, una d e las ventajas d e los sistemas de rec omendación semánticos es que es posi ble su uso en dive rsidad de á m bitos, p o r lo que existen multitud de proyectos que lo han i m ple m entado: AVATAR (Blanco-Fernánde z et al., 2008) es un sistema de re com endaci ó n para el dominio de la televisión ( tanto pr ogr ama s como película s) qu e reco m ienda a un usuario qué v er, basándose en la intensidad semántica de las relaciones existentes entr e los tipos d e p elíc ulas, actores, etc. y las visualizaciones pre v ias del usuario. NutElCare (Espín, 2016) es un sistema de recomendación de dietas para cualquie r ti p o d e persona en función de s u ingesta calórica necesaria, sus gustos y prefe ren c ias, así como sus posibles alergias. En el ámbit o del t ie m po libre y placer, M argaris et al. (2017) utilizan el conoci m iento almacenado en ontologías para r eco me ndar actividades de oci o . Wang et al. (2015) pres en t an un sistema de recomend ac ión semántic o para redes so c iales qu e permite a los usuarios encontrar amigos siempre y cu ando tengan estilos de vida altamente similares. Este siste m a se basa en la s emántica que se extrae de las pref erencias de los usu ari os obtenidas de sus t eléfonos móv iles, co mo la lo c alización. También se han realizad o aproximaciones para el uso d e ontologías en la recomendaci ón de prendas de r opa (Wen et al ., 201 8). 2.3 .2.10.3. Ventajas y limitaciones Las tecnol o gías relacionadas con la web semántica han dem ostrad o que los sist e m as de recomendación semánticos pueden superar a los enfoqu es anter ior mente mencionados. Entre ellas, destacan (Bl anc o-Fernán dez et al., 2008): Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 72 Capítulo 2: Marco co nceptu al y tecnológico - Son capaces de d escubrir relaciones escondid as entre las clases, prop ie dades y jerarqu í a formalizadas en la b ase de conocim ien t o. Es t as relac i o nes pro porci o nan c o noci mie nto no obtenido p or l as d em ás aproximacion es y p e rmiten comparar las pref erencias del usuario con los ítems disponibles de forma más efectiva que utilizan do las métricas d e similitud tradicionales. - La met odol o gía de razonamiento asegura q ue las r elaciones inferid as son relevantes para el usuario y q ue se adaptan de form a flexible a las preferencias a medida que cambian en el tiempo. Así, garantiz a la div ersidad d e las recomend acio nes y su personaliz ación. - Esta metodología no está unida a un dominio particul ar, sino que es l o suficie nt emente flexible para poder us arse en diversas aplicaciones perso nal izadas. A continu ación, se presentan con más detalle las car ac terísticas y las ventajas de los si ste m as de recomendación semántico s basa d os en ontolo gías, por ser el tipo m ás idóneo para desarr ol lar el sistema que se presen t a en es ta tesis. 2.3 .2.11. Sis temas de recomendació n basados e n ontologías o esquemas de concepto s Los sistemas de recomend ació n basados en filtrado colaborativo y basados en contenido se basan en el m anej o de dos tipos de infor m ación: el usuario y los ítems que puede rec omendar con s us valoraciones. Estas téc nica s utilizadas en algunos sistemas de recomendaci ón n o son capaces de tener en cuenta las c aracterísticas individu ales de c ad a usuario. Una alternativa son los sist e m as de recomendación basados en ontologías, que son sistem as basados en el conocimien t o que usan las ontologías para representa r el c onoci m iento tan t o del usuario como de los í tems en el proceso de recomendación (Jeevamol et al., 2019). El uso de ontologías en proceso de agregación de información a la base de c ono cimiento es una de las solucion es para sup erar las limitaciones y problemas a los que se enfrentan los sistemas d e recomendación conve nci onales . Entre o t ros, r es uelven el pr o blema del arranq ue en frío y el proble ma de la dispersión, ya que las ontologías proporcionan y o btienen conocimiento inicial sobre los u suarios y s obre los d om ini os de interés. La r ep resentaci ó n, mediante ontologías, del perfil del usuario mejora ciertas tareas en el proceso de recomendaci ón, como el filtrad o, la recu perac ión de información y la clasificaci ó n de ésta para su gesti ó n. Las ontologías p erm ite n , a demás , c omp artir y reutiliz ar el conocimiento, beneficios que h ac en q ue se puedan combinar con otras ontologías de diferentes dominios para for m ar una base de conocimiento m ayor para mejorar la c alidad y la precisión de l a s recome ndaci ones. Muchas son las inv estigaci o nes que h an inc luid o las ontologías en su s s iste m as de recomen dación, sobre todo aquellas que tratan con p er files de usuario (Shishehchi y Banihashe m, 2019) (Jeevamol et al., 2019) (Mirette et al., 2 020) (Ja v ed et al., 2 021). El m odelado de la base de c onocimien to con ontolog ías tie ne la ve n t aja de que proporc ion a un modelado explícito de in formación s emántica desd e la que se pueden obtener i nferenc ias l ó gicas mediante sistemas de inf erencia basados en reglas, como los razonadores Hermit (Shearer et al., 2008), Pellet (Sirin et al., 2007) o Fact++ (Tsar k ov y H orr ocks, 2 0 06). Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 73 Capítulo 2: Marco co nceptu al y tecnológico Estos sistemas de i nf erencia basados en reglas dan como recomendación un conjunto de ít ems, pero no per m iten c o nocer cómo de buena es, para el usuario del siste m a, cada una de las recomendaciones realizad as. Para solventar esta situa c ión se puede establ ecer una medida de similitud entre l o qu e d es ea el usuario y lo que le ofrece el ítem recomend ado . Cuanto m ay or sea esa similitud, mejor s erá ese ítem para el usuari o. A c ontinuación, se comentan div ersos métodos con los que calcular esta s i m ilitud entr e ítems a recomendar. 2.3 .2.12. Métri ca de similit ud Intuitivamente las personas, cuando quieren conocer cómo d e parecid o s son d os objetos de l a vida real, definen l o s aspectos de esos objetos que se v a n a comparar. Por ejempl o, en el tamaño, el peso, el precio, et c. No obstante, dos objetos con el mismo precio pueden tener característi cas muy diferentes y ser uno de ellos una me sa y el ot ro u na televisión. En el ámbit o de las personas y de la discapacidad en particular, dos personas pueden ten er u na discapacidad, pero uno puede t ener una disc apacidad v isual (ceguera nocturna) y o tro una discapacidad física (ausencia de una extremidad in fer ior). Si se comparan c aracterísticas ( tener o no tener discap ac idad y el tipo : visual, física, auditiva, etc .) y se va loran cómo de parec idas s on esas dos personas, se puede concluir que las dos personas se parecen en un 50% porque tien en una discapacidad, pero son t otalmente distintas (cada d isc apacida d es difer ent e). La similitud debe ref er irse a íte ms que p ertenecen a un mismo ámbito para po der compararlos. Una ontología, que define un modelo de datos para un dom ini o específico, se pue de considerar una buena herramienta para com parar objetos de un dete rm inado ámbito. Computacionalmente habl ando, obtener una si militud entre dos ítems no es sencillo y hay diversas opciones en fu nc ión del t ipo de técn ic a que se use en el sist e ma de recomendación. La si milit ud s e puede hallar c o mo correlac ione s, coeficiente s , dista ncias o matriz d e s i m ilitud (Alberca, 20 18 ). Los algoritmos de matching s on los que v an a proporcionar las medid as de afinidad o similitud entre un ítem y un usuario y estos alg or itmos pueden m ejorarse aplicando un mét odo de similitud semántica (Codina y C e ccaroni, 2010). El método de la similitud semántica se basa en la idea de medir la rele v ancia del matching entr e un concepto par ticular en el que est á interesado u na p ersona y un concepto q ue lo describe. Se v a a usar como ejemplo parte de la ontolo gía creada para esta tesis, ll amada Perfil del usuario , y en concreto la clase Intereses personales del u suario ( UserPersona lInterests ), qu e s e desglosa en intereses co mo: Música ( Music ), Deportes ( Spo rts ), Juegos ( Ga mes ) o Educa ción ( Educati o n ) y, a s u vez, pued en te ner otras su bclases c on varios niveles de jerarquía como se muestra en la Figura 2- 24. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 74 Capítulo 2: Marco co nceptu al y tecnológico Figura 2-24: Cla se Intereses del usuario extraída de la Ontología Perfil de U suario La m edida de la similitud se va a medir con el concepto de distancia entre un concepto y otro que están situados a dist int o s niveles en la jerarquía de clases de la on t ología. Se pueden distinguir d os tip os de matchi ng : - El co nce pto d el ítem (la c la se) es uno de los inter eses del u suario, por lo que el m at chi n g es perfecto y la s imilitud es máxima (valor=1). Sería el caso e n el que el usuario est á interesad o en el c onc epto F ilos o fía ( P hilosophy ), que es un o de los c onceptos q ue describe a la clase Intereses personales d el usua rio . - Si un c oncepto, por ejemplo, Te mát ica Ed uc ación ( EducationSub ject ) que es tá en un n i vel de jerarquía sup erior (el padre, p or ejemplo), es uno de lo s intereses del usuario, la similitud, en este caso, se calcula usando una función recursiva c uyo resultado si em pre es un núm ero real m eno r que 1. Este v alor i ndicará có m o de semánticamen te son si mi lares el interés del us uar io y el concepto que l o describe, cons ideran do las clas es que tengan comunes en su s jerarquías. De esta forma, cuanto menor sea la distancia entre la clase en la que está interesado el usu ario y el c oncep t o que la des cribe, más s imilares ser án. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 75 Capítulo 2: Marco co nceptu al y tecnológico 2.3 .2.12.1. Funciones de similitud Uno de los métodos que se pueden ut ilizar par a comparar la similitud de d os co n c eptos es el de la similitud de los atributo s (Alberca, 2018) . Se establec e que existen, además de u na relación entre entidades de una o ntología, relaciones entre las propiedades de los dat o s, ya que s e pu eden comparar valores como cadenas de texto o números y conocer si son iguales o dist intos cuando pertenecen a un mismo dominio. Uno de los principales puntos a tener en cuenta, y que se produce a l a hora de hacer comparacione s de similitud, es la de realiz arlas con f orme a l a re pre sentación de los v alores d e los ítems: dato s simples (por ejempl o, bo oleanos, nú me ros o caden as) o coleccion es (por ejemplo, listas, arrays o conjuntos) que contien en datos simples en cada p osición. Las funciones de similitud utilizad as para compara r t ipos de datos simples dependen de la semántica de los datos. Por ejemplo, un número se repres en t a mediante un símbolo, pero su semántica se puede referir a una cantidad, a una magnitud o a un orden . Según el tipo de dato a comparar se utilizarán unas funciones u otras (Sánche z Alberca, 2015). Una de las representacion e s de datos más hab it uale s que se utilizan en el mun do real son las colecciones (conjuntos, list as, tuplas, etc.), entendid as como agru paciones de o bj etos c on entidad propia que suelen contener un único tipo d e dato. Para modelar coleccion es en la Web Semántica se han realizado diversas propuestas (Sánchez Alberca, 2015) de ontologías capaces de modelar este ti p o d e d atos compuesto, así como una taxonomía de coleccion es y operacion e s lógico- matemáticas que se puede n realizar con ella s. Para comparar los d istintos tip os d e c olec ciones se calcula la similitud entre ellas, para lo que exist en multitud de fun c iones, aunqu e no todas ellas pueden aplicarse a todo s lo s tipos de coleccion es . No obst ante , la fu nc ión de similit ud identidad es válid a para usar c on cualquier tipo de dato y se define según la Ecu ac i ó n 2-1. Para entender las siguien te s funciones defini m os, previamente, universo o dominio como u n conjunto no vacío de e lementos (individu o s, clases y propiedad e s) que son d e un tipo de d ato concreto (número, lista, objetos c o mpu es tos, etc.). Ecuación 2-1: Fun ció n de similitud iden tidad Para es ta tesis se va a ut ili zar una representación de la infor m ación en modo d e colecciones, más concretamente se usarán listas y vect ores binarios, porque va a permitir un m odo simple de representar los datos que se van a manejar, p o r l o qu e a c ont inuación, se analizan algunas de las funciones de si mil itud relacionad as con estos dos tipos de datos. Una de las funciones más habituales utilizada para conocer la m edida de similitud entre dos colecciones es la func ión de similitud de Ham ming que se muestra en la E cuación 2-2 . Dado un univ erso E de elementos de c ualquier tipo de datos, la función de similitud identidad es una función d e similitud 𝜎  : 𝐸𝑥𝐸 → [ 0 , 1 ] tal que: 𝜎  ( 𝑠 , 𝑡 ) = 󰇥 1 , 𝑠𝑖 𝑠 = 𝑡 ; 0 , 𝑠𝑖 𝑠 ≠ 𝑡 . Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 82 Capítulo 2: Marco co nceptu al y tecnológico Burke, R . (2002). H ybrid Recommender Sys tems: Surv ey and Experiments . User Mod eling and Use r Adapt ed Interact ion , 12( 4), 331-370. Burke, R. (2007). Hybrid Web Recommend er Systems. In The Adapt ive We b , pp . 377-40 8. Springer Berlin / Heidelberg. Burke, R ., Felfernig, A., & Göker, M. H. (20 11). Recomm ender Syst ems: An Overv iew. AI Magazin e , 32(3), 13- 18. https ://doi.org /10.1609/a imag.v32i3. 2361. Cantado r, I. (2008 ) . Exploiting t he Conceptual Space in H ybrid Recomm ender Systems: A Semantic -Based Approac h (Doctoral di ssertat ion). Universidad Aut ónoma de Ma drid. URL: http://ara ntxa.ii.ua m.es/~cant ador/do c/2008/thesis08.zip. Carral, D., Fernánd ez- López, M., & Góme z-Pér ez, A. (2005 ). SHOQ (D): DLP Lite. E n Proce eding s of the 2005 Description Logic Wo rkshop (DL'05) . https ://www.researchgat e.ne t/publ ication/221726 508_SH OQ_D_DLP_L ite. Castro G alla rdo, J. (2012). Un Nuevo Modelo Ponderad o p ara Sis temas de R ecomendac ión Basados en Contenido con Me di das de Contingencia y Entrop ía (Trabajo tutelado de ini ciación a la investigación, Universida d de J aén). CERMI: Comité de Entidades Represent antes de P ersonas con Discapacida d de Canarias . (s.f. ). Sitio Web: https ://www.cermi.es/ Chandras ekaran, B., Josephson, J. R., & Benjamins , V. R. (1999). What are ontolog ies, and why do we ne ed them? IEEE Intellig ent S ystems , 14(1), 20-26. h ttps://i eeexplor e.ieee.org/do cument/74 0878. Chaudhr i, V., Farquhar, A. , Fikes, R., Karp, P. , Rice, J . (1998). Open Knowledge Bas e Connectivity 2.0.3. Technical Repo rt. htt p://w ww.ai.sri.com/~okbc /okbc -2-0-3. pdf CIF: Clasificación Interna cio nal del Funciona miento, de la dis capacida d y de la salud (May o, 2001). https ://apps. who.int/iris /bitstream/hand le/10665 /43360/9 241545445 _spa.pdf Codina, V., & Ceccaroni, L. (2010). A Recomm endati on Sys tem for th e Sema ntic W eb. In: Proceeding s of the Seco nd Internatio n a l C onference on Data S cience, E-Learning and Information System s (D ATA '19) , pp. 45-52. ht tps://do i.org/10.10 07/978 -3-642-148 83-5_6 Cohn, A. G., Bennett, B., Gooda y, J. M., & G otts, N. M. (1996). Repr esenting s patial knowledg e. Wiley Online Library . htt ps://onlinelibr ary.w iley.com/do i/abs/10.1 111/1467-9 671.00053 Contreras , J., & M artínez-Comech e, J. A. (2007). Ontolog ías: ontol ogías y recuperación de i nformación . Universida d Complu tense de Mad rid. ht tps://core.ac.u k/downloa d/pdf/1188 3351.pdf Corcho, O., Fernán dez-López, M., Gómez-Pér ez, A., Vicente, O. (2002). WebODE: An int egrated work bench for ont ology re presentat ion, reasoni ng, and exchan ge. E n 13th In ternatio nal Conference on Kno wledge Engin eering a nd Knowle dge M anag ement . Ontolog ies and the Seman tic Web (EKAW’02) . Corcho, O., Gómez -Pérez, A., & Fernández-López, M. (2003 ). Methodologies, tools and languages f or bu ilding ontol ogies. Where is their meeting poi nt? Data & Kn owledge Engineering , 46(1), 41 -64. https ://www.sciencedir ect.co m/science/a rticle/pii/S 01690 23X0200097 2. Cyganiak , R ., & J entzsc h, A. (2011). RDF 1.1 Conc epts a nd Abstract Syntax . W3C Recom mendation . https ://www.w3.org/T R/rdf11-conc epts/. DAML: The DAR PA Ag ent Mark up Lang uage Prog ram. (s.f.). http://www.da ml.org /index.ht ml Ding, Y., Foo, S., Foo, S., & Choo, D . (2 0 02). S emantic W eb techno logy for the militar y do main: high-level architecture pr oof of concept . De fense Scien ce and Techn ology Organ ization Ed inburgh (A u stralia) . https ://www.researchgat e.ne t/publ ication/228706 433_Se mantic_Web_t echno logy_for_the_mil itar y_domain_hi gh-level_arc hitec ture_proof_of_ concept. Díaz, A., García, I., & Batet, M. (2017). Semant ic Technologi e s in Recommender Sys tems: A Survey . Sem antic Web , 8(2), 2 15-2 39. https ://www.semanticsc holar .org/paper/Se mantic-Te chnologies -in- Recomm ender-Syste ms%3A-A -D%C3%ADaz - Garc%C3 %ADa/35f1 2c6e3eaa f67d65b8978 a9d08185c 71ad 9a0c. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 83 Capítulo 2: Marco co nceptu al y tecnológico Domingue, J. (1998). Tadzeb ao and We bO nto: Discuss ing, Browsing, and Editing Ontologies on the Web. En Proceed ings del 11o Banff Kno wledge Ac quisition Workshop . DUET: DAML-UM L Enha nced Tool. (20 08a). ht tp://ww w.daml.org/index.ht ml DUET: DAML-UM L Enha nced Tool. (20 08b). ht tps://marine metadat a.org/refer ences/duet Eckhardt , A. (2009). Variou s Aspects of Us er Preferenc e Lea rning and Recommend er Sys tems. In K. Richt a, J. Pokorn ý, V. Sná šel (Ed s.), DATESO 2009 , p p. 56-67. IS BN 97 8-80-01 -04323-3. Euzena t, J. (1996). C orporate memory throu gh cooperative creation of kno wledge b ases and hyperdo cuments. 10th w orkshop on k nowledge acquisition (KAW ) . (36)1 -18. Disponib le en: https ://hal.archi ves-ouv ertes.fr/hal-014011 63/docum ent Farquh ar, A., Fikes, R., Rice, J. (1997). T h e Ontolingua Serve r: a Tool for Collaborat ive Ontology Cons truction. Interna tional J ournal of Hu man-Computer St udies, 46 (6), 70 7–728 . Felfernig, A., Jeran, M., Ni naus , G., R einfrank, F., & R eiter er, S. (2013 ). To ward t he N ext Generat ion of Recomm ender Sy stems: Appl ic ations and Research Challenges . In: Multimed ia S ervices in Int elligent Environme nts . Smart Inn ovation, Sy stems and Technolo gies, ( 24) 5-16. Spring er, Heidelberg. https ://doi.org/10.1007 /978 -3-319-00372 -6_5. Fensel, D. (2001 ). Ontolog ies: A Silv er Bullet for Knowl edge Mana gement and Electronic Commerce. Sp ringer- Verlag New York . htt ps://link. spring er.com/chapt er/10.100 7/3-540-4456 4-1_19 Fensel, D., Harmelen, F., McGuinn ess, D., Patel-Schneider, P., Horro cks, I. ( 2001). OIL: An Ont ology Infrast ructure for the s emanti c Web. IE EE Intelligen t Systems and th eir applica tions, 1 6 (2), 38-45. Fox, M., G rüninger, M. (1998). Ent erprise modeling . AI Mag azine, 19 (3), 109-121. García, I ., Sebas tia, L. , Onain dia, E ., & Guzman, C. (200 9). A Group R ecommender Sys tem for Tou rist Activit ies. In E-Com merce and Web Technologies , EC- We b 2009, pp. 33-44. L ecture No tes in Computer Sci enc e, vol 5692. Spr inger, B erlin, H eidelberg. ht tps://do i.org/10.10 07/978-3 -642-03 964-5_4 de Ge mmis, M ., Lops , P., Musto, C., Na rducci, F., & S emeraro, G. (201 5). Semantics -Aware Content- Based Recomm ender Systems. In Rec ommend er Systems Handbook , pp. 75-105. Springer, Bos ton, MA. https ://doi.org/10.1007 /978 -1-4899-7637 -6_4. George, G ., & L al, A. M . (2019). Review of Ont ology-Bas ed Re com mend er Syst ems in E -Learning. Com puters & Edu cation , 142, 103642. ht tps://doi.org /10.1016/j.c ompedu .2019.103 642. Genesereth, M., Fikes, R. (1992). Know ledge Int erchange Format, Version 3.0. Technical Repo rt Logic-92 -1. Computer Sci ence Depa rtmen t. Stanfor d Unive rsity. Giering, M . (2008). Retail Sal es Predi ction and Item Reco mmendations Using Customer Demogra phics at Store Lev el. ACM SIGKDD Exploratio ns Newsletter , 10(2) , 84-89. https ://doi.org/10.1145 /154 0276.154 0301. Gómez-Pérez, A. (1994). F rom kno wledge-bas ed sy stems to k nowledge s haring technolo gy: E valuat ion and ass essment. [Documento en lí nea]. Dispo nible en ht tp://oa.up m.es/6498 / Gómez-Pérez, A. (1998). A survey of Knowledge Sharing Technology . Springer Berlin H eidelberg . https ://link.spr inger.com/cha pter/10.10 07/978- 3-540-4940 7-0_1. Gómez-Pérez, A., Fernández - López, M ., & Corcho , O. (20 04). Ontological E ngine ering. Springer S cienc e & Business Media . https ://www.s pringer.com/gp/bo ok/9 781852335 516. Gómez Pérez, A., Fe rná ndez -Lóp ez, M., Co rcho , O. (2007). Onto logical Engin eering: w ith e xamples from the areas of Knowled ge Mana gement, e -C o mmerce a nd the Seman tic Web (Advanc ed I nformation a nd Knowledg e Processing ). Secaucus , N J, USA, Springer-Verlag New York . Gómez-Uribe, C. A., & Hun t, N. (2016). The Net flix Recommend er Sy stem: Algorith ms, Busines s Value, an d Innov ation. ACM Transact ion s on M anagement I nf o rmation Systems (TMIS ) , 6(4), 13. https ://doi.org/10.1145 /284 3948. Gruber, T. (1 992). Ontolingua : a mec hanis m t o support portable ontologies. KSL 91-66 . Knowledge Syst ems Laborat ory, S tanford Univ ersity. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 84 Capítulo 2: Marco co nceptu al y tecnológico Gruber, T. (1993). A Trans lation Appr oach to Portable O ntology Specificat ions. Knowled ge Acquisitio n, 5 (2 ), 199-220. ht tps://do i.org/10.1 006/knac .1993.100 8 Gruber, T. (1995). To ward Principles for the Design of Ontologies Used for Knowledge Sha ring?. Internatio nal Jou rnal of Huma n-Comput er Studies, 43 (5–6 ), 907-928. ht tps://do i.org/10.1 006/ijhc.1995 .1081. Gruber, T. ( 2009). Ont ology . En: Liu L., Özs u M. (eds) En cycloped ia of Dat abase S ystems . Springer, New York, NY. [Docu mento en línea ]. Dis ponibl e en htt ps://tomgruber. org/writing/d efinition-o f-ont ology.pdf Grünin ger, M., Fox , M. (1995 ). Method ology for the design and ev aluation of on tologies . En Wor kshop on Basic Onto logical I ssues in Kno wledge S haring . Guarino, N. (1997). Semanti c Matching : For mal Ontolog ical Distinc tions for Infor mation Organiza tion, Extract ion, a nd Integration. En M. T. Pa zienza (ed.) In formation Ex traction : A Multidisciplina ry Approach to a n Emerg ing Informa tion Tec hnolog y . Berlin/Heidelberg : Spr inger-Verlag. (1299) 139- 170. Guerrero, V., & Loza no, A. (1999). Vínculo s entre las Ont ologías y la Biblio tecono mía y Documenta ción . En La representa ción y la or ganización del cono cimiento en sus distint as perspect ivas: su influ encia en la recupera ción de la información (Actas del IV Congreso ISKO-España EO CONSID’99) ( pp. 25-31). Dispo nible en ht tp://www.iskoiber ico.org/si tes/defaul t/files /1_3_vguerrero _alozano. pd f Gupta, A., & Ladner, R. E. (2015). A compa rison of Web ont ology langua ges for biologi cal knowledg ebas es. BMC Bioin formatics , 16(1), 117. Disponi ble online en: https ://www.ncbi.nl m.nih.go v/pmc/articles /PMC44 04825/ . Guzmán Luna , J. A., López Bonilla, M., & Torres, I. D. (2012). Met odolog ías y m étodo s para l a construcc ión d e onto logías . S cientia Et Technica, 2 (50), 133–140. https ://doi. org/10.22517/ 2344 7214.669 3 Halawi, B., Mourad, A., Otrok, H., & Damiani, E. (201 8). F ew Are as G oo d as Many : An Ontolog y-Based Tweet Spam Detection Appr oach. IEEE Access , 6, 63890 -63904. https ://doi.org/10.1109 /ACCESS. 2018.2877 685. He, J. , & Chu, W.W. ( 2010). A Social Net work-Bas ed Recom mender Sys tem (SNRS). In: Data Mining for S ocial Netwo rk Dat a , pp. 63-77. Ann als of Information Systems, v ol 12. Spr inger, Bost on, MA. https ://doi.org/10.1007 /978 -1-4419-6287 -4_4. Heflin, J., & Hend ler, J. (20 00). Dynamic Ont ologies on th e We b . En Proceed ings of t he Seventee nth Natio nal Conference of Artificial Intelligen ce (AAAI/IAAI) (pp. 443-449). Dis ponible en http://ww w.aaai.org/Papers /AAAI /2000/AA AI00-067.pdf Herlocker, J .L., Kon stan, J.A., Terveen, L.G., & R iedl, J.T. (2004). E valua ting Col labo rative Filtering Recomm ender Systems . ACM Transaction s on Informa tion System s , 22(1), 5-53. https ://doi.acm.org/10. 1145/96 3770.9637 72. Horroc ks, I., Patel-Schneider, P., & Harmelen, F. (2001). Referen ce Descriptio n of the DAML + OIL. Ontology Markup Lang uage . Techni cal Repo rt. [Document o en línea ]. D ispo nible en http://ww w.daml.org/20 01/0 3/referenc e.html Horroc ks, I . (2003 ). The FaCT S ystem . [Doc umento en línea ]. Dis pon ible en http://ww w.cs.man.ac.uk /~h orrocks/FaCT/ Horroc ks, I ., P a tel-Schneider, P., & Van Harmelen, F. (2003). From SHIQ a nd RDF t o OWL: the making of a web onto logy lang uage . Web S eman tics, 1 (1), 7- 26. D isponi ble en https ://www.sciencedir ect.co m/science/a rticle/pii/S 15708 2680300005 1 Horroc ks, I., Patel-Schneider, P. F., Boley, H., Tabet, S., Grosof, B., & Dean, M. (2004). SWRL: A Se mantic W eb Rule Langua ge Combining OWL a nd RuleML. W3C Memb er Submission . [Documento en línea]. Dispo nible en ht tps://www.w 3.org/Submiss ion/SWRL/ Hovy , E., Navigli, R., & Ponz etto, S. P. (2013). Collabo rativ ely bu ilding a knowledge bas e of the city of Rome. Artificial Intelligen ce , 201, 78-98. https ://www.sciencedir ect.co m/science/a rticle/pii/S 00043 70213X0003 7. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 85 Capítulo 2: Marco co nceptu al y tecnológico Huang , T. C. K., Chen, Y. L., & Chen, M. C. (2016). A No vel Recommend ation Model with G oogle Similarity. Decision S uppo rt Systems , 89, 17- 27 . ht tps://do i.org/10.10 16/j.ds s.2016.06.00 5. Hurtado , C. A., M endelzon, A. O ., & Vaisman, A. A. (1998). Q uerying information s ources in open and dyna mic environment s. ACM SIGMOD Reco rd , 27(2), 35-40. https ://dl.acm.org/doi /abs/1 0.1145/2763 05.27 6309. Interna tional Semantic Web Confe rence (ISW C) (2023). htt ps ://iswc20 23.semantic web.org/. Jaccard, P. (1901). Étude Comparative de la Distribut ion Florale da ns une Portion des Alpes et des Jura. Bulletin de la S ociété Vaudoise des Sc iences Nat urelles , 37, 547 -579. Jallouli, M., Lajmi, S. , & Amo us , I. (2 0 16). Similarity and Trust Me t rics Used in Recommender S ys tems: A Survey . Interna tional Co nference o n Intelligen t Systems Des ign an d Applica tions , 1041-1050. Jav ed, U., Shauk at, K., A. Hameed, I., Iqba l, F., Mahb oob Alam, T., & Luo, S. (2 021). A Review of Content- Based and Context-Based Recomm endat ion Syst ems. Interna tional Journa l of Emerg ing Techn ologies in Learning (iJET) , 16(03), 2 74–3 06. ht tps://doi. org/10.3991/ij et.v16i03.1 8851. Jeevamol Joy, Nisha S Raj, and Renu mol V G. ( 2019). An Ontolog y Model for Cont ent Recom mendation in Persona lized Learning Env iro nm ent. Proceed ings o f t he Seco nd Internatio nal Conference on Data Scien ce, E-Learni ng and I nformation S ystems (DATA '19) , Articl e 9, 1–6. https ://doi.org/10.1145 /336 8691.336 8700. Karp, R. , Cha udhri, V . , & Thomere, J . (1999 ). XOL: An XML-Based Onto logy E xcha nge La nguage . Technical report 559. Disponi ble en htt p://www.ai.sri.co m/pk arp/xol/xol. html Khan, A., Ahmad , A., Rahman, A.U., & Alkha lil, A. (2020). A Mobile Cloud Framework for Context -Aware and Portab le Recom mender System for Smart M arkets. In Sma rt Infrastructu re an d Ap plicat ions , pp . 161- 174. EAI/Sprin ger Inno vat ions in Communication and Computi ng. S pringer, Cha m. https ://doi.org/10.1007 /978 -3-030-13705 -2_12. Kifer, M., Laus en, G., Wu, J. (1995). Lo gical foundatio ns of o bjec t-oriented and frame-based la nguag es . Jou rnal of the A CM, 42 (4), 74 1-843. Kim, J., Kan g, S., Lim, Y., et a l. (2013). Reco mmendat ion Algorithm of t he App Stor e by Using Semantic Relations B etween Apps . J ournal of S upercom puting , 65, 16- 26. https ://doi.org/10. 1007/ s11227-011 - 0701-6. Kobilarov , G ., Scot t, T., Raimond, Y ., Oliver, S., & Sizemore, C. (2013). M edia Meets Sema ntic Web - H ow the BBC Uses DBpedia and L inked Data t o Mak e Conne ctions . T h e Semant ic Web: Semant ics and Big Data , 7235, 723-73 8. ht tps://link. springer.com/ch apter/1 0.1007/ 978-3-642-4 1202-8 _45. Kouki, P., Fakhra ei, S., Foulds, J ., E irinaki, M., & Getoor, L. (2015). HyPER: A Flexi ble and Extensible Probab ilistic Framew ork for H y brid Recommend er Sys tems. I n Procee dings of th e 9 th A CM Con ference on Reco mm ender Systems (RecS ys '15) (pp. 99 -106). ACM. Krulwich, B. (19 97). LIFEST YLE FINDER: Intelligent User Pr ofiling Using Large-Scal e Demogra phic Data. AI Maga zine, 18 (2), 37. ht tps://do i.org/10.16 09/aimag. v18i2.1292 Lamarca Lapuente, M. J. (2011). H ipertexto : El nuevo co ncepto d e documen to en l a cultura de la imagen . Dispo nible en ht tp://www.hipert exto.info/docu mentos/on tologias .htm Lass ila, O., & Swick, R. (1 999). R esource D escription Fram ework (R DF) Mod el an d Synt ax Speci fication. W3C Recom menda tion . https://ww w.w3.org/TR/19 99/REC -rdf-synt ax-19990222/. Lass ila, O., & Mc Guinness, D. (2001). T h e Role of Frame-B ased Representat ion on the Semantic Web . Knowledg e System s Laborat ory Report KSL-01 -02 , Stan ford University . Lawan, A., & Rakib, A. (2019). The Sema ntic Web Rule L angua ge Exp ressiveness Ex tension s - A S urvey . http s:/ / doi.org/1 0.48550/a rXiv. 1903.11723 . Leskov ec, J., R ajaraman, A. , & Ullman, J . (2014) . Mining of Massive Dataset s (2nd ed.). C ambrid ge Univ ersity Press. doi:10.1017/ CBO97811 399248 01 Leskov ec, J., R ajaraman, A. , & Ullman, J . D. (2020). M ining o f massive dat a sets . Cambri dge Uni versity Press. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 86 Capítulo 2: Marco co nceptu al y tecnológico Linden, G., Smith, B., & York, J . (2003). Amazon .com rec ommenda tions : item-to -item collabo rativ e filtering. IEEE Internet Com puting , 7 (1), 76-80. Lops , P., Gemmis, M. D. , & Semeraro, G . (201 1). Cont ent-bas ed recom mender s ystems: State of the art and trends. Recom mender System s Hand book . Spr inger US. Lorenzi, F ., & Ricci, F. (2 005). Case-Based R ecom mender Sy st ems: A Uni fying Vi ew. In In telli gent Te chniq ues for Web Pe rsonalizati on (pp. 65-86). Springer. ht tps://do i.or g/10.1007/1 1577935 _5 Lu, J., Wu, D., Mao, M ., Wang, W ., & Zha ng, G. (2015). Recommender sys tem app lication developments : A surv ey. Decisio n Support S ystems, 74 , 12-32. ht tps://do i.org/10.101 6/j.dss .2015.03.008. Luke, S., & Heflin, J . (2000). S HOE 1.01. Prop osed Sp ecificatio n, SHOE Project tech nical rep ort . University of Maryland. ht tp://www.cs.um d.edu/p rojects/pl us/SHOE/s pec.html MacGr egor, R., & Bates, R. (1987). The Loom Knowledge Represent ation Lang uage . T echnic al R eport ISI-RS- 87-188, USC Information Scienc es Ins titute, Marina del Rey, CA. Doc umentación dis ponible en https ://www.isi.edu/i sd/LOO M/document ation/LOOM -DOCS.ht ml Mannens , E., Baldu ini, M ., Moens , M . F., & Troncy, R. (2013). Multilingua l I nformation Extraction and Link ed Data for Cross -Media Ne ws A nalysis . Linked Data on t he Web Wo rkshop (LDOW2013) . ht tp://ceur- ws.org/Vol -996/paper _09.pdf. Margaris , D., Vassilakis , C., & Georgiadis, P. (2017). Knowl edge-Base d L eisure Time Recomm endations i n Social Networks . In Curr en t Trends on Knowledge -Based System s. Vol 120 (pp. 23-32). Springer. https ://doi.org/10.1007 /978 -3-319-51905 -0_2 Massa, P., & A v esani, P. (2004). Trust-aware collabo rative filtering for recomm ender s yst em s . In OT M Confederat ed Internatio nal Conferen ces on th e Mo ve to Meaning ful Int ernet Systems (pp. 492-508). Springer. McGuinness , D., Fik es, R., R ice, J., & Wilder, S. (200 0). The Chimaera Ontolog y E nvironm ent . Proceed ings of the Sevent eenth Na tion al Conference on Artificial Intelligen ce and Twelfth Conference on In novative Applic ations o f Artificial Intelli gence (pp . 1123-1124). McGuinness , D. L., & H armelen, F. V. (2004) . OWL Web Ontol ogy L anguag e Over view. W3 C Rec omme ndation . https ://www.w3.org/T R/owl-f eatures/. McGuinness , D.L., & Wright, J . (1998). Conce ptual Mod eling fo r Configuratio n: A Description Logic-ba sed Approach . Artificial Intelligenc e for Engineerin g Design, Ana lysis , and Ma nufacturing - special is sue on Configuratio n . McGuinness , D. L., Ashish, N. , Glass, A., Dieng-Kuntz, R., O' Hara, K., Powers, T., . .. & W3C Web Ontology Working Group (2002). Ontology develop ment 101: A gui de to creating your first ont ology. https ://protege.s tanford.edu /publicat ions/ont ology_developm ent/ontol ogy101.pd f. McGuinness , D. L., & W right, J . (2002). Concept ual Modelling for E-Commerce and the Semantic Web: OWL and RDF. Ariadne , ( 30). http:/ /www.ariad ne.ac.uk/is sue30/mcgu inness/. Meditsk os, G., Bas siliades, N., & Konstant eli, A. (2013). Rul e-based on tology map ping for ada pting learni ng scenarios acros s phys ical and virtua l env ironments. Interna tional Jour nal of Informatio n Man agemen t , 33(2), 223-2 38. ht tps://w ww . sciencedirect .com/scienc e/art icle/pii/S026 8401 212001840 . Melchiorr e, A. B., R ekabs az, N., Parada-Cabaleiro, E., Brandl, S., Lesota, O., & Schedl, M. (2 021). Inves tigating gender fairness of recomme nd ation algorithms in the musi c domain. In formation Proce ssing & Mana gement , 58 (5), 102666. https ://doi.org/10.1016 /j.ipm .2021.102666 Melville, P., & Sin dhwani, V. (2011). Reco mmender System s. In En cyclopedi a o f Machine L earning (pp. 829- 838). Spring er. htt ps://doi.org /10.1007/97 8-0-387-3 0164-8 _705 Middleton, S. E. , Ala ni, H., Sha dbol t, N. R., & De Roure, D. C. (2002). Ex ploiting synergy between ontologies and rec ommender s ystems. In P roceedin gs of the 3rd Inter natio nal Conferen ce on Sem antic Web (pp . 41-50). CE UR-WS.org. https ://doi.org/10.48 550/arXiv .cs/02 04012 Middleton, S. E. , De Roure, D. D., & Shadbolt , N. R. (2009). Ontolog y-Based Reco mmender Sy stems. In Hand book on On tologies (pp . 687-712). Spring er. htt ps://doi.or g/10.1007/9 78-3-5 40-92673-3 _35 Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 87 Capítulo 2: Marco co nceptu al y tecnológico Mirette Elias, Mohammadrez a Tavakoli, Steffen Loh mann, Ga bor Kismihok, & Sör en Auer. (2020 ). An OER Recomm ender S y st em Support ing Ac cessibility Requi r em ents. In Proce eding s of the 22nd Interna tional ACM S IGACCESS Conference on Co mputers and Accessibilit y (ASSETS '20) (pp . 1-4). ACM. https ://doi.org/10.1145 /337 3625.341 8021 MobileOK Ch ecker. (2010). [Doc umento en l ínea]. Dispon ible en https ://dev.w3.org/ 2008/mobileok -webui / Möller, R., Haus enbla s, M., & Bizer, C. (2013). Linking open da ta. Sem antic Web Infor mation Ma nagem ent , 179-205. ht tps://link .spring er.com/chapt er/10.10 07/978-3 -642-32703 -7_6 Moreno, A., Valls, A., Is ern, D., Marin, L. , & Borràs , J. (2013 ). Sigtur/ e-dest ination: ont ology -based persona lized recomm endation of tourism a nd leisure a ctivities. En ginee ring Applicat ions of Artific ial Intellig ence , 26 (1), 633-651. ht tps://do i.org/10.1016/ j.enga ppai.2012.02.0 14. Motik, B. (20 05). KA ON2 OWL Rea soner . [Docum ento en lín ea]. Dispo nible en http://ww w.aifb.kit. edu/web/KAO N2/en Motik, B ., Cuenca Grau, B., H orrocks , I., W u, Z., Fokoue, A., Lutz, C., ... & Sattler, U. (2012). OWL 2 Web Ontolog y Langua ge Profiles ( Second Edi tion). W3C Recom menda tion . https://www.w3.or g/TR/owl2 - profiles/ Motta, E. (1999) . Reusa ble Compone nts fo r Knowledg e Modelling: Cas e S tudies in Pa rametric Design Pro blem Solving . IOS Press Amsterda m . MWABP: Mobile Web App lication Best Prac tices . [Documento en línea]. Dispon ible en https ://www.w3.org/T R/mwa bp/ Naray anan, S., & M cIlraith, S. A. (2002). Simulat ion, Verification and Aut omated Composition of W eb Services . Proceed ings of the 11th Interna tional Conference o n World Wide Web , 77-88. https ://dl.acm.org/doi /abs/1 0.1145/5114 46.51 1456. Neches, R . et. al. (199 1). Enab ling tec hno logy for knowledg e sharing . AI M agazin e, 12 (3), 36-56 . Netflix. (2016). A glob al appr oach to recomm endations. Carlos Gomez -Uribe. Vic e President, Prod uct Innov ation. Retrieved from ht tps://ab out.net flix.com/es _es/news/a-glob al-app roach-to- recommenda tions Nilashi , M ., Ibra him, O., & Bagherifard, K. ( 2018). A rec ommender s ystem bas ed on colla bora tive filtering using ontology and dimensionality redu ction tech niques. Expert System s wit h Applicat i o ns, 92 , 507- 520. https ://doi.org/10. 1016/ j.eswa.2017. 09.058. Noy, N. F., Chugh, A., Liu, W., McMaho n, K. M ., Devedžić, V., & Za slavsky, I. (2007). Se mantic Integration of Sensor Web Data. S ema ntic Web : R evolution izing Knowledge Discovery in the Life Sci ences , 267- 286 . https ://link.spr inger.com/cha pter/10.10 07/978- 0-387-4853 8-7_15 Noy, N. , & M cGuinness , D. (2001). Ontolog y Deve lopme nt 101: A Guide to Creat ing You r First Ont ology . Stan ford Kno wledge Systems Labo ratory Tec hnical Report KSL-01-05 and S tanfor d Med ical Info rmatics Technica l Repo rt SMI-2001-08 80 . O'Donov an, J., & Smyth, B. (2005). Trust in recommender syst ems. In Int ernation al Conference on Int elligent User Inter faces, Proce edin gs IUI (pp. 167- 174). DOI: 167-174. 10. 1145/10 40830.1040 870. ONCE.es (2023a). Tiflotecn olog ía, ¿qué es? Fundación ONCE. [Documento en línea]. Dispon ible en https ://www.once.es/s ervicio s-sociales/t ecnologiayrec ursos adapt ados/tiflotecnologia ONCE.es (2023b). Formación en T iflo tecnol ogía . Fundación ONCE. [ Docum ento en línea]. Disponible en https ://www.once.es/s ervicio s-sociales/t ecnologiayrec ursos adapt ados/formacion-en -tiflotecno logia OntoE dit. (2003). [Docu mento en línea]. Dispon ible en http://persona les.upv .es/ccarra sc/doc/200 3- 2004/OntoEd it/present acion_ html/defini ciononto. html Patel-Schneider , P. F., Hayes, P., Horrocks, I., Be chhofer, S., McGuinness , D. L ., Patel-Schn eider, P. F. , & S t ein, L. A. (2004). OWL Web Ontol ogy Language S emantics and Abs trac t Sy ntax. W3C Recom mend ation . https ://www.w3.org/T R/owl-s emantics/. Protégé. Stanfor d Unive rsity . (2000). Dis ponibl e online en ht tp://prot ege.stanford .edu Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 88 Capítulo 2: Marco co nceptu al y tecnológico Qin, J., & Pa ling, S. (2001). Converting a controlled vocabulary into an ontolo gy: the case of G EM . Informatio n Research, 6 (2). Rashid AM, Albert I, Cos ley D , Lam SK , McNee SM, Konstan JA et al. (2002). Getting to know y ou: learning new us er preferenc es in recomme nder sy stems. In: Proce edings of t he intern ationa l conference o n intelligen t user in terfaces (pp . 127–34). Real, R., & Va rgas, J . M. ( 1996). The Probabi listic Bas is of Ja ccard's Index of Similarity . Systemat ic Biolo gy, 45 (3), 380–3 85. https ://doi.org/10.1 093/sy sbio/45.3. 380 Reddy , S., Nalluri, S. , Kunisetti, S. , Ashok, S ., & Venk atesh, B. (2019). Content-Bas ed Mov ie Recommendat ion System Using Genre Corr elati on. In S mart In telligent Comput ing an d Ap plicatio ns Vol 105. (pp. 545- 555). Spring er. https ://doi.org/10.10 07/9 78-981-13 -1927- 3_42 Resnick, P. , & Va rian, H . R. (1997). Recom mender Sys tems. Commun ications o f the ACM, 40 (3) , 56-58. Ricci, F., Rok ach, L. , & Sha pira, B . (2011). Introdu ction to recomm ender sys tems ha ndbook. In Rec ommender Systems Ha ndbo ok (pp . 1-35). Springer. Ricci, F., Rokach, L. , & Sha pi ra, B. (201 5). R ecomm ender S ystems: Introd ucti on a nd Challenges . In Recom mender S ystems H andbook (pp. 1-14). Spring er. h ttps ://doi.org/10 .1007/978 -1-4899-763 7-6_1 Roy, D., & D ut ta, M. (2022). A systematic review and research perspectiv e on recomm ender systems. Jou rnal of Big Dat a, 9 (1), 59. ht tps:// doi.org/10. 1186/s405 37-022 -00592 -5 Rueda Morales, M. A. (2011). Modelos de Recomenda ción Basa dos en R edes Bayesianas. Universida d de Granada. http://hd l.hand le.net/10481/20 245 Sánchez Alberca, A . (2015 ) . Modelado y Comparación de Colecciones en la Web Semántica. Tesis Doct oral, E.T.S. de Inge nieros Informá ticos (UPM) . htt ps://doi.org/1 0 .20868/UPM.t hesis.394 50 Safoury, L., & Sala h, A. (2013) . E xploiting user demo graphic a ttribu tes for solving the cold-st art prob lem in recommender s yst ems. Lectu re No tes on Software En ginee ring, 1 (3), 303-3 07. Sase, A., Varun , K. , Rathod, S., & Patil, D. (2015). A propos ed book recomm ender s ystem. In ternatio nal Jo urnal of Advan ced Resea rch in Co mputer and Co mmuni cation Enginee ring, 4 (2), 481– 483. Sawadogo, J . M., Keït a, M. F., & Keïta, M. F. ( 2015). A m eth odolog ical approa ch for on tology ext raction fro m textual documents in an Afric an c ontext: cas e of the Bambara lang uage. Kn owledg e an d Informa tion Systems , 44( 1), 1-30. htt ps://link .s pringer.com/articl e/10.10 07/s10115 -014-0725 -2 Schiaffino, S., & Amand i, A. (2009). Buildi ng a n expert trav el agent as a software a gent. Expert S ystems with Applic ations, 36 (2), 1291 -129 9. htt ps://doi.org/1 0.1016/j.es wa.2007.1 1.032 Schreiber, G., & Rector, A. L. (2008). Applying For mal Ontol ogy in Knowledge Engine ering. Springer S cien ce & Business Media . https ://link.spr inger.com/c hapter/10. 1007/978-3-5 40-7087 6-0_1. Shearer, R., M otik, B ., & Horroc ks, I. (2008). Her miT: A High ly-Efficient O WL Reasoner. O WLED . Sheetal Sharma et a l. (2021). Recommender System: A bibliometric an alysis . I OP Con ference Series: M aterials Scien ce and Eng ineering , 1022 (1), 012057. D OI: 10.1 088/1 757-899X/ 1022/1/01 2057 Shishehc hi, S., & Bani hashem, S. Y. (201 9). J RDP: A J ob R ecommend er Sys tem Based on O ntolog y for Disabled People. Int ernation al Journa l of Techno logy and Human In teractio n (IJTHI), 15 (1), 85 -99. http://do i.org/10.40 18/IJTHI. 2019010106 Sinha, R. R., & Swearingen, K. (2001). Comparing Recomm endations Made by Online Systems and Friends. DELOS W orkshops / Confe rence s . Sirin, E. , Pa rsia , B., Cuenca Grau, B., Kaly anpur, A., & K a tz, Y. (2007). Pel let: A prac tical O WL-DL r easoner. Web Sem antics: Sci ence, Services and Ag ents on the World Wid e Web , 5(2), 51-53. https ://doi.org/10.1016 /j.we bs em.2007.03.004 Smith, B. (2003 ). Ontolog y . E n Bla ckwell Guide to t he Philo sophy o f Com puting and In formation (pp. 155-166). Sridevi, M . (2017). DE CORS: A Simple and Efficient Demographi c Collaborat ive Recommender System for Movie Reco mmend ation. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 89 Capítulo 2: Marco co nceptu al y tecnológico Stuart, D. (2016). P ractical o ntologies for in formation profession als . Facet Pu blishing . Studer, R., B enjamins, V. R., & F ens el, D. (1998). Kno wledge engine ering: principles and method s. Data & Knowledg e Engineering , 25(1-2), 161-197. Dispo nible online en: https ://www.sciencedir ect.co m/science/a rticle/pii/S 01690 23X9800077 7. Sure, Y ., E rdmann , M ., Angele, J., Staab , S., Studer, R., & Wenk e, D. (2002). OntoEd it: Co llaborative Onto logy Develop ment for th e Semantic Web . En: Handboo k o n Ontolog ies, In ternatio nal H andbook s on Informati on System s (2342) 1 17-132. Swartout, B., P a til, R., & Russ , T. (1996). Towa rd D i stribut ed Use of La rge-Scale Ontologies . Proceedin gs of th e Tenth Kn owledge Acquisitio n for Knowledg e-Based System s Workshop . Banff, A lberta, Can ada Swick, R . R., & Raman, T. V. (2000). R esource Description Fr amework (RDF ): Model and Syntax Specification. W3C Proposed R ecom menda tion . https://ww w.w3.org/TR/ 1 999/PR-rdf -syntax-19990 222/. Talha Ali, PhD, & ot hers . (2022). Multidi mensiona l Soc ial Network Types and Thei r Co rrel ates in Older Americans . Inn ovation i n Aging, 6 (1). ht tps://do i.org/10.10 93/geroni/igab05 3 Tappolet, J ., Gros snik laus, M., Minder, P., & Aberer, K. (2014). Dist ributed spa rql queries ov er rdf dat a. ACM Transaction s on Data base S ystems (TODS) , 39(4), 3 0. ht tps://dl .acm.org/do i/abs/10.114 5/26712 25. TAW: Test de Accesibilida d a la Web (2023) . [Docu mento en línea]. Disponi ble en h ttps://www.t awdis.net/ Tennison , J. (2011). Provenan ce Information in the Web of Dat a. Springer Science & Bus in ess Media . https ://link.spr inger.com/cha pter/10.10 07/978- 3-642-2103 4-1_16. Test de Accesibilid ad (2022). Goog le LLC . Dispon ible online en https ://play.goog le.com/stor e/apps/det ails?id=co m.google.and roid.app s.ac cessibility .auditor Thorat, B., Goudar, R., & Barv e, S. (20 15). Survey on Coll abora tive Filtering, Content -b ased Filtering, and Hybr id Recommendation System. Int ernation al Jour nal of Computer App licatio ns, 1 10 , 31-36. DOI: 110. 31 -36. 10.5120/1 9308- 0760 TopBraid Co mposer. ( 2004). TopQuadr ant . ht tps ://www.w3.org/wiki/Top Braid Torres, R., McN ee, S. , Abel, M ., Konst an, J., & Riedl, J . (2004). En hancing di gital librari es with TechLens. In Proceed ings of t he Fourth AC M/IEE E Jo int Conferen ce o n Digital Lib raries (pp . 228 -236 ). ACM. DOI: 10.1109/J CDL.2004.24 0019 Tsarkov , Dmitry , & Horrocks, Ian. (2006). FaCT++ Des cription L ogic Reasoner: Sys tem Description. Proce edings Interna tional Joint Co nference on Automated Reason ing (IJCAR-2006), 41 30 , 292-297 . DOI: 10.1007/118 14771_2 6 Uschold, M., & King, M. (1995). Towa rds a Methodolo gy fo r Bu ilding Ontolog ies . En IJ C AI 95 Workshop on Basic Onto logical I ssues in Kno wledge S haring . Utrera Sust, Eric Bárbaro, Simón Cuevas , Alfre d o Javier. (2017). Sistemas de recomendaci ón semánticos : Una revisión del Estado del Arte. Revista Cub ana de Cienci as Informáticas, 1 1 (2), 189-206. [Do cumento en línea] Dispo nible en: h ttps:// www.redalyc.org /articul o.oa?id=3783 5096 4014 Valdiviezo-Día z, P., & Bobadilla, J. (2019). A Hy brid Approach of Recommendation v ia Extended Matrix Based on Collabo rativ e Filtering w ith Dem og raphi cs Infor mation. In Techno logy Trend s. CITT 2018 (pp. 283- 294). Spring er. https ://doi.org/10.10 07/9 78-3-030- 05532- 5_28 Valera, M., & Mehta, R. (2022). The no vel a pproach to re co mmend ation on mov ie dat a. I nt ernation al J ournal of Adva nces in Soft Compu ting and I ntellig ent S ystems (IJAS CIS), 1 (2), 19- 20. [Docum ento en línea ] Dispo nible en: htt ps://sciencet rans actions .com/wp-content /uploads /2023/02/p- 19-20.pd f van Heist, G., Schreiber, A. T ., & Wieli nga, B. J. (19 97). Us in g Explicit Ontologies in KBS De velopm ent . Interna tional J ournal of Hu man-Computer St udies, 45 , 183 –292. Vera, J., V i llalba-Cond ori, K., & Castro Cuba -sayco, S. (2018). Modelo de s istema de rec omendación basado en el c ontexto a pa rtir del a nálisis de código estát ico para el des arrollo del P ensamient o Computaciona l: Caso de Prog ramación Web. Educa tion in th e Knowle dge S ociety (EKS ), 19 (2), 1 03– 126. https ://doi.org/10. 1420 1/eks20181921 03126 Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 90 Capítulo 2: Marco co nceptu al y tecnológico Verma, V., & Aggar wal, R. K. (2020). A co mparativ e analys is of similarity measures ak in t o the Jaccard index in collaborative recommendation s: empirical and theoretical perspective. Social N etwork A n alysis and Mining, 1 0 (1), 43. https ://doi. org/10.10 07/s13278-02 0-006 60-9 Vozalis, E., & Margarit is, K. G. (2003). Ana lysis of recommend er sy stems algorithms . The 6th Helle nic European Conference on Comp uter Mathemati cs & its Applicatio ns, 732-745 . [Document o en línea] Dispo nible en: https ://www.researchgat e.ne t/publ ication/273831 15_Anal ysis_of_Recom mender _Syste ms%27_Alg orithms Vozalis, M. G., & Marga ritis, K. G. (2007). Usi ng SVD and d emographic data for t he enha ncement of generaliz ed collabo rative filte ring. Informa tion Scie nce s, 177 (1 5), 301 7-3037. Vrandečić, D. , & Kröt zsch, M. (2014) . Wikida ta: A fre e colla borat ive knowledg ebase. Co mmun ications of t h e ACM , 57( 10), 78-85. htt ps://c acm.acm.org/ magazines /2014/10/1 78971-w ikidata/full text. W3C Note ( 18 December 2001) DA ML+OIL. Referen ce De scription . [Documento en lín ea]. D isponi ble en https ://www.w3.org/T R/daml+oil-r eferenc e W3C R ecommenda tion. (12 November 2009). OWL: Web Ontology L anguage Referenc e. [Doc umento en línea]. Dispo nible en h ttp://www. w3.org/TR /owl-ref/ W3C R ecommend ation (11 D ecember 2009). OWL 2 Web Ont ology Language. Document Overview (Second Edition) . [Documento en línea ]. Dis ponible en http://w ww.w3.org/TR/ owl2 -overview/ W3C Reco m me nd ation (11 December 201 2). OW L 2 Web Ont ology Language. XML Serialization (Second Edition) . [Documento en línea ]. Dis ponible en https ://www.w3.org/ TR/owl2 -xml-serializa tion/ W3C Reco mmendat ion (11 December 201 2). OWL 2 Web Ontology Langua ge. N ew Features and Rationa le (Second Ed ition). [Docu mento en línea]. Dis ponible en h ttps ://www. w3.org/TR /owl2-ne w-featur es/ W3C Recommendat ion (21 March 2013) SPARQL v1.1 Overv iew. [D ocument o en línea ]. Dispon ible en https ://www.w3.org/T R/spa rql11-overview / W3C R ecommendation ( 26 M arch 20 13) SPARQL Q u ery Languag e for R DF. [Docu mento en línea]. Dispo nible en htt ps://www.w3.or g/TR/r df-sparql-qu ery/. W3C Wor king G rou p (24 J une 2014). RDF 1.1 Primer. [Documento en línea]. htt ps://www.w 3.org/TR/rdf1 1- primer/ W3C Recommend ation. (25 F ebru ary 2014). R DF 1.1 X M L Sy ntax. [ Doc umento en línea]. Disponible en https ://www.w3.org/T R/rdf-s yntax -grammar/ W3C R ecommend ation. (1 December 2023 ). R DF Schema 1.1. [Do cumento en línea]. Dis poni ble en https ://www.w3.org/T R/rdf11-s chema/ Wang, Z., Liao, J ., Cao, Q., Q i, H., & W ang, Z. (2015). Friendb ook: A Semantic-Bas ed Friend Recomm endation System for Social Net work s. IEEE Transactio ns on Mob ile Comp uting, 14 (3 ), 538– 551. https ://doi.org/10.1109 /TMC. 2014.232237 3 Wang, S., Cao, R., Tian, Y., & Zheng , C. (2022). Hybrid Tour ism Recom mendat ion System: A Multi-Obje ctive Perspectiv e. 2 022 IEEE Congress on Evoluti ona ry Comp utati on (CEC) . 1-8. DOI: 10.1109/CEC5 5065. 2022.987 0401 WCAG: Web Cont ent Accessi bility Guidelines 2.1 . [ Docu mento en línea]. Disponible en https ://www.w3.org/T R/WC AG21/ Wen, Y., Liu, X., & Xu, B. (2018). Persona lized Clothin g Recomm endat ion Bas ed on Knowledg e G r aph. 201 8 Interna tional Conference on Aud io, Lang uage a nd Image Pro cessing (I CALIP) . pp. 1-5, DOI: 10.1109/ICALIP. 2018. 845531 1 WHO – Ne ws (dic. 2 021). In terna tional Pa ralympic Comm ittee, World Hea lth Organizat ion sign m emorand um of u nderstan ding to coo perate in th e p romotion of d iversity an d eq uity in health an d spo rts . [Documento en línea ]. Dispon ible en ht tps://www.w ho.int/ne ws/item/22 -07-20 21-interna tional- paraly mpic-committ ee-world- health-or ganization-s ign-me morandum-of -underst anding -to- cooperat e-in-the-pro motion-of-di versity -and-equity -in-hea lth-and-s ports Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 91 Capítulo 2: Marco co nceptu al y tecnológico WHO – Ne ws (jul. 2021). Int er nationa l Day o f Persons with Di sabilities 20 21 . [Do cumento en línea ]. Dispon ible en ht tps://www.who.int /news-roo m/events /detail/20 21/12/03/d efault-calend ar/int ernat ional-day - of-persons-with -disab ilities-2 021 Wijaya , S. H., Afend i, F. M., Batubara, I., et al. (2016). Findi ng an appr opriate e quation t o m easure s imilarity between binary vect ors: case st udies on Ind ones ian and Japa nese herb al medi cines. BM C Bioinformat ics, 17 (1), 520. htt ps://doi .org/10.1186/s 12859- 016-1392 -z Xiao, P., Toivonen, H., Gross , O ., Ca rd os o, A., Corre ia, J., Macha do, P., . .. & Battersby, S. (2019). Conceptu al representa tions for com puta t io nal conce pt creat ion . ACM Compu ting S urveys (CSUR), 52 (1), 1- 33. https ://doi.org/10.1145 /318 6729 Yang, X., Zeng, H., & Hua ng, W. (2009 ). AR TMAP-bas ed dat a mining app roach and i ts app lication t o libra ry book recommendation. In 2009 Int ernationa l Symposium on In telligent Ub iquitous Compu ting and Educa tion . pp . 26-29. Zanker, M., J essenitschni g, M ., & Schmid, W. (2010). Preferenc e reason ing with soft constraints in constraint- based recom mender sys tems. Constrain ts, 1 5 (4 ), 574 -595. ht tps ://doi.org /10.1007/s 10601 -010-9098- 8 Zhou, M. (2010). B ook reco mmendat ion based on w eb social network. In 2010 Internat iona l Co nference on Artificial Int elligence an d Education (ICAIE) . (pp . 136– 139) doi : 10.1109/IC AIE.2010. 5641415 Zhou, X ., Xu, Y., Li, Y., Josan g, A., & Cox, C. (2012). The state of the ar t in persona lized recommend er sys tems for social networking. The Artificial Intellig ence Review, 3 7 (2), 119-13 2. DOI: 10.100 7/s10462-011 - 9222-1 Zhu, J., P atra, B. G., & Yaseen, A. (2021). R ecommender s yst em o f scho larly paper s using pu blic d atas ets. AMIA Joint Summits on Tran slational Sci ence proceed ings. AMIA Jo int Summit s on Translationa l Scien ce, 2021 , 672–6 79. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 98 Capítulo 3: Metodología para la creación de ontologías De e ntre las metodologías est udiadas en el C apítul o 2. M arco conceptual y t ecnol ógic o, la de Bravo, Hoyos y Reyes es la ú nic a que explica el pr o ceso de unión de v arias ontologías en una s o la, p or l o que es la qu e vamos a segu ir. La m etod o logía de Bra vo, Hoyos y R eye s establece c uatro pasos que g uían a l os d e sarrollador es a través del proceso de la co ns trucción d el sistema de o ntolo gías: Paso 1: Requeri mient os de la ontología Paso 2: Diseño de la o ntolo gía Paso 3: Construcción d e la ontología Paso 4: Evaluación d e l a on t ología A continuaci ó n, se describ irá con detalle cada paso del proceso segu ido para obtener tant o el sistema de ont ologías como la s o nt o logías individual es (sus clases, subclases, propie dades e instancias). La metodología ta m bién in cluye el proceso de razonamiento y la inclusi ón de reglas d e inferencia. PASO 1: REQUERIM IEN TOS D E LA O N TOLOGÍA El primer paso de la metodología de Bravo, Hoyos y Reyes consiste en es tablecer los requerimiento s de la o ntología, iden t ifican do el ámbito y definiendo posibles escenarios, usuarios y c apacid ades de la o nt o logía para proveer respuestas y c aract erís ticas de calidad . Esta fase se c ompleta una v ez qu e se realizan las sigu ientes tareas: a. Especificar la m ot iv ación : nu es tra mot ivación y com pr omiso tras esta tesis es l a de resolver problemas relacionad os con la búsqued a, sel ec ción e instalación de aplicaciones para personas con disc apacida d en sus dispositivos móviles. Así, para c rear el sistema de ontologías (u ontología global), querem o s reunir una serie de características sobre usuarios, apps, c ontextos, dispositi vo s, característi c as de accesi bilidad e idiom as que permitan a un sistema de recomendación obtener recomendaciones personalizadas sobre las apps que mejor se ajustan a las nece sidades de un usu ario en par ti cular teniendo en c uenta sus circunstancias personal es. Esta motivación s urg e tras analizar la pr oblemática exi st ente c uand o una persona con discapacidad q uiere realizar actividades cotidianas c on un disp o sitivo móvil. Uno de los problemas surge al realizar la búsqu eda de aplicaciones en los repo sito rio s: falta información o no es accesib le , no se en cuen tran suficientes paráme t ros para filtrar la búsqueda o las aplicaciones no están bien categorizadas. Po r otra parte, el listado de aplicaciones simi lares que se obt ienen t ras una b úsqueda suele ser de mas iado amplio, con lo que se debe realizar un tr abajo de investigación sobre cuál de las apps es la m ás adecuada para un as deter minadas circunstancias. A demás, com o la mayor par t e de la s aplicacione s están desar rolladas para el público en general, es posib le que n o sea posible su uso por personas que presenten algún tipo de discapacidad . No obstante, puede ocu rri r que algunas apps o los propios dispositivos móviles dispongan de algunas características de accesibilidad que permitan que la app pueda ser usada por e st as personas c on ne cesidades especiales (Torres-Caraz o et al., 2016) (Torres-Caraz o et al., 2021). Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 99 Capítulo 3: Metodología para la creación de ontologías Si se d ispone de toda esta información bien organizada y de fo r m a accesible, se podrán realizar mej o res recomendaciones. b. Especificar la competenc ia de la ontología : la ontolog ía debe res p onder c uestion es sobre la inform ación que t iene almacenada y enlaz ada, c omo pueden ser p or ej emplo en n uestro caso, cuál es la app m ás adecuada para un usuario que tiene una discapacidad visual severa, o bien c uál es el mejor disp os itivo para un usuario que está perdien do audición y que no sabe hablar ingl és . Tam bi é n debe po d er obtener re sultados ante cuestion es so bre qué características y dispo siti vos de accesibilidad necesita un us uario para un determinado dispositivo móv il considerand o sus c apa cidades, p or ej em plo, que, aun que no pu ede oír, sí puede leer. De este modo, el sistema de ontologías deb ería c ubrir los ámbitos del usuario, apps, contexto, c aracterísti c as de accesibilidad, disp ositivos móviles e idi omas. PASO 2: DISEÑO DE L A ON T OLOGÍA El segundo pas o es diseñar la o nt o logía para obte n er un mo delo formal. Para conseguirlo, previamente hay que realizar tres pasos para poder construir los mó dulos de la ontología (ontologías ind i viduales) como p arte del m o delo. a. Elicitación de términos : se id ent ifican c onceptos elementales s obre cada d ominio de conocimiento como: usuarios, aplicaciones, c ontexto, discapacidad, enf ermedades, dispositivo m óvil, ac cesibilidad, tiflotec n ología, destre zas o h abilidades, siste m a o perati vo, repositorios, categorías, propósito e idiomas. Esta lista de conceptos se analiza rá en l os siguientes pa s os de la meto d ología para identificar cuáles pertene c en a uno de l o s m ódul os de la ontología o a ot ro. b. Identificación del módulo : con los tér m inos elementales extraídos de la lista anterior, s e modelan los d ominios relev ant es que se transformarán en ontologías individuales. Inicialmente s e han identificado dos do m inios relevantes: el usuario , y las app s . El dominio del usuario se corresponde con el perfil de una persona y contendrá datos personales y características r elacionada s con las posibles discap acida des qu e presente, así como l as habilidades que posea. Se va a consid erar que discapacidades y habilidades n o son en sí mismas mó dul os independ ient es, puesto que se considera que depend en de la existencia de un usuario. Respecto al dominio de las apps , cada app tendrá un perfil con sus datos identificativos (nombre, precio, imágenes, etc .) y o tras descriptivas c omo el número de jugadores o el propósito. No obstante, est os d os d ominios no son s uficien t es para poder realizar re c omen d aciones personalizadas, ya que el entorno o c ont ex t o de cada usu ario juega un papel importante en la t oma de decisi ones , po r lo que debe ser t ambién tenido en cuenta y modelarlo usand o ontologías. El contexto ha sido dividido en cuatro categorías, de modo que se puede extraer una ontología de cada u na, con el fin de que pu edan ser reutilizadas indi vidualmente. En primer lugar, se encu ent ra el contexto del usuario, que se identifica con las circunstancias del us uario , fec ha y localización. En segundo lugar, se encuentran los dispositivos móviles que utiliza el usuario, con información sobre las c aract erísticas de los Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 100 Capítulo 3: Metodología para la creación de ontologías propios dispo sit ivos. En tercer lugar , están las características de a c cesibilidad , que son características deseables y/o disponibles en las apps y en los disp o sitivos móvil es para personas c on d iscapacidad, y que siguen las g uías de a c cesibilidad como las recomendadas por las WCAG (WCAG 2. 1) y la MWAB P (Mobile Accessibility, 2021). Ademá s, se incluyen ayudas tiflotécnicas que perm iten, a p ers onas con algun a discapacidad, acceder a la información de sus dispositivos móviles. En cuarto luga r, est á el domi nio de los idiomas , tanto aquellos que lo s usu arios son capaces de habla r o entender, como aquellos en lo s que se muestra el c ontenid o de una ap p. Estos dominios se t ransf o r m arán en ontologías indivi duales ( o mó dulos) que po drán ser modelados: o nt ología perfil de usuario, ontología perfil de las ap ps, o ntol ogí a del contexto, ontología de los dispositivos móviles, ontología d e la a ccesibilidad y ontologí a de los idiomas. c. Diseño individual de cada ontología : para cada ontología identificada en el paso ant erior, se procede a describir su jerarquía de clases, su s propiedades de los datos y sus propiedades de los objetos en una notación lógica (DL). Para cada una de las ontologías se establece la jerarquía d e las c lases y sub c lases que las com ponen como prim er subpaso y a continuación, se e stablec en l as pr o piedades de l os objeto s ( r elac iones entr e las clases y subclases) y las propiedade s de los da t os ( valore s específicos). La descripción de este di señ o individual d e cada una de l as seis ontologías se des arrolla c on más d et alle en los siguientes capítulos para no p erder el f oco de la meto dolo gía de Bravo, Hoyos y Reyes ( 201 9). PASO 3: CONS TR UCCIÓN D E L A ONTOLO GÍA El tercer paso es construir la ontología, lo que implica codificar e in tegrar las ontologías individuales en el sistema de ont o logías . a. Implementación de los módulos de la ontolo g ía : Perfil del U suario, App s , Idiomas, Contexto, Ca racterísticas d e Accesibilidad y Dispositivos han sido implementadas de for ma individual. La herramienta selecciona da para la implementación de los módulos d el sistema de ontologías ha si do P rot égé v .5 (Musen 2015), p orque permite el modelad o del conocimiento en OWL (Antoniou y Harmelen, 2003), con las ventajas de que es tá basado en Java, es exten sible y puede personaliz arse . b. Población de los m ódu los d e la ontología : se ha p oblado cada uno de l os módulos que forman el sistema de ontología s c o n valores reales extraídos d e la docu ment aci ón de las ontologías an al izadas y des crit as en los capítulos p os teriores. La descripción más d et allada de los valores se enc uentra en los sigu ie ntes capítul os. c. Integración en el sistema d e o ntologías : el sistema de ontologías a barca un co njunto d e ontologías entre las que se han establecido las relaciones necesarias entre ellas. El sistema de ontologías está form ado por las seis ontologías desarr olladas: Perfil de Usu ario, Apps, Idiomas, Contexto, Cara c terísticas de Accesibilidad y Dispositivos. El proceso de integración ha seguido los siguiente s pasos en Protégé: a. Abrir en la mis m a ventana l as ontologías a incluir en el sistema. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 101 Capítulo 3: Metodología para la creación de ontologías b. Seleccionamos l a o pción Ref ac torizar > Mez c lar ont ologías. c. Marcar todas las ontologías a me zclar. d. Indicar si se quiere cre ar u na nueva o ntología o mezclar s obre alguna de la s ya existentes. e. Elegir la opción de crear u na nueva ontología. f. Unificar el URI d e todas las ontologías. g. Se genera el sis tema de o n t ologías. El modelo del siste m a de ontologías se m uestra en l a Fig ura 3-2. Figura 3-2: I ntegración del Sistema de Ontologías Tras la creación del sistem a de ontol ogías ha y que completar los dominios de las propiedades de los objetos que aún no estaban c ompletos porque dependen de la existencia de clases q ue pertenecen a dos ontologías, como UsuarioTieneDisp o sitivo ( userHasADevice ), donde ya se puede indicar que el Dominio es Persona ( Person ) de la Ontologí a P erfil de Usuario y el Rango Dispositivo ( Device ) de la Ontología de los D ispo sitivos , com o se mu es tra en la Figura 3- 3. Figura 3-3: E stablecimiento del Dominio y Rango de las Object Proper ties PASO 4: EVALUAC I ÓN DE LA ONTOLO G ÍA En el paso final, la evaluación de la ont ología t ra t a de obt en er nuev a inf o rma c ión inferida del sistema de ontologías creado. Una ventaja de las ontologías e s que per mit e a l os usuarios r az o nar ( Antoni ou y Harmelen, 2003 ) , y una vez que se tiene e l perfil d el usuario, se puede razonar para Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 102 Capítulo 3: Metodología para la creación de ontologías obtener nueva informaci ó n. Un razonad or es un software capaz de decidir c onsecuencias lógicas a partir de una serie de hec hos y ofrecer un conjunto mayor de mecanismos con lo s que t rabajar. Para gen erar nuevo conocimiento s e ha optado por usar el raz onador Pell et (Sirin et al., 2007), qu e soporta el razonamien to de reglas SWRL. Estas re glas aportan diferente niv el ex presi vo al proporcionado por OWL y pueden utilizarse para clasificar conceptos o propiedad es y para representar ciertas restricci o nes u operaciones qu e no pueden ser d efinidas mediante OWL. También per m ite su integr ac ión en Protégé. Hemos in co rporad o un con junto de reglas de infe rencia utilizando u n lenguaje de o ntol ogías y u n lenguaje descriptivo. El Lenguaje de R eglas para la Web Semántica (SWRL ) (H orr ocks et al., 200 4) es un lenguaje basado en r eglas y que h a sid o diseñad o com o una extensión de OW L que permi t e la escritura de relaciones que no pueden ser descritas usando la lógica descriptiv a de OWL ya qu e no es lo suficientemente expresivo. SWRL usa la misma l ó gica descripti v a q ue OWL y prop o rcion a inferencias y clasificaci ones similares de los con c eptos y las pr opiedades. Por ejemplo, en la ontol o gía del usuari o hemos añadido cinco regl as para agru par a los usuari os conforme a los rango s de edad que se h an es tableci do en la T abla 4-3 del Capítu lo 4. Dominio y ontología d el usuario. De este m odo, un usuari o men or de 4 años se c lasificar á como beb é, un usuario ent r e 4 y 9 años será un niño/a, un usuario entre 10 y 17 años será un adolescente, un usuario entre 18 y 59 será un adu lto y un usu ario a parti r de 60 años será u n senior. Estas reglas se muestran en la Figura 3-4 . Figura 3-4: R eglas de clasificación para los grupos de edad Hemos i ncluido t ambién cinco grados de discapaci dad para indicar los diferent es niveles de discapacidad que un usuar io pued e tener, y esta escala s igu e la cate gorizac i ó n que indica la CIF (2001) y que se presenta en la Tabla 4-9 del Capítulo 4. Dominio y o ntol o gía del usuario. L as siguientes cinco reglas p ueden aplicarse a la discapaci dad visual: - Una persona con un grado 0 no se considera qu e tenga una discapacidad v isual. - Una persona con un grado 1 ti en e una discapacidad vi s ual leve. - Una persona con un grado 2 ti en e una discapacidad vi s ual moderada. - Una persona con un grado 3 ti en e una discapacidad vi s ual severa. - Una persona con un grado 4 t iene una discapacid ad visual c ompleta y se considera que tiene ceguera. El objetivo de estas reglas es convertir la graduación de la discapacidad visual al estándar proporcionado p or la CIF. Se incluirán nuevas reglas cuando el s is t ema de ontologías s e cree. De esta forma, p odrem o s enla zar los dominios de los diferentes módulos tales como el rango d e edad Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 103 Capítulo 3: Metodología para la creación de ontologías y las apps, cuando queremos identificar las apps más adec uadas para cierta edad. Podremos también dedu cir información adicion al una vez que realicemos el proceso d e inferencia. 3.3.1 . Resultados En este ap artad o se mostrarán algunos de lo s posibles resultados que se pueden obtener razonand o con la ontología . Una v ez que hemos creado la Ontol ogía Pe rfil de Usua r io e incorporado varias reglas de inf erencia, necesi taremos fusionar la Ontolo gía Per fil de Usuario con l a Ontología Perfil de las Aplicacione s para obtener nueva información sobre las apps recomendadas para el usuario. La Ontología Perfil de las Apps reúne una serie de características básic a s (por ejemplo, nombre, categoría, t amañ o de ar chivo o tienda) y otras c omplementaria s (p or ejempl o, edad rec omendada, modo de jueg o, aplicacion es diseñad as para usu arios específicos y habilidades qu e los usu arios pueden ad quirir o mejorar) y est o c onst ituye el perfil de la aplicación. Como ejemplo de perfil de usuario se us a el de P e rsona S (d efinida en el Capítu lo 4. Do minio y ontología del usuario): proviene de una fam ilia multicultural, por lo que sabe hablar inglés y francés. Ti ene una leve pérdida auditiva bilateral y vista cansada, pero que es capaz de ver porque lleva gafas correct o ras. Puede leer, escribir y hac er cálculos co n facilidad. Le gusta r ealizar viajes, ir de camping, leer en su lector de libros, está interesad o en el yoga y d ebe ponerse a d ieta por prescripción médica, y el sis tema debe identificar las aplicacion es para recomendarle. Es t e ej emplo escrito en SWRL es: Person(?p) ^ RangeOfAge (?p, Adult) ^ hasVisual Di sabil it y (Disability_P resbyopia) ^ h asHearingDisability(Disabili t y_Deafne ss ) ^ userHasInterests( Yoga) ^ userHasInte r ests(Diet) ^ userHasInterests(Travel) ^ userHasInterests(Ca mping) ^ userHasInte rests( Readi ng) ^ userHasAbility( Wr ite) ^ userHa s Ability(Read) ^ u se r HasAbi lit y(See) ^ userHasAbility(Calcul at e) ^ user Has S pokenLanguage(E nglish) ^ userHasSpokenLang uage(French) -> userHas Recom mendedApp s(? app ) De las instancias de la O ntol og ía Perfil de las Aplicac iones , el razonador infiere que cierta s aplicaciones son adecuad as para P ersona S , y éstas se deducen conforme a la información proporcionada. Estos resultados se inf i eren según la edad, las discapaci dades e interes es establecidos en el perfil del usuario. Se obt ienen ap licacion es com o " Fitness Meal Pl anne r " y " Eycersise Yoga for your eyes ", por ejemplo, ya que coinciden con sus inte reses personales de hac er dieta y yoga respecti vamen t e. Otras aplicaciones c omo " Eyesight Pr o: Eye exe r cise, Vision Test " o " Color Blind - tes t su ojo " ta m bién s e obt i enen porque Persona S t iene una discapacidad visual, por otra parte, las app s " Tec l ado Flek sy GIF Emoji Tem as " y " Dragon Sea r ch " se obtienen debido a s u grupo d e edad, “ WeWal k Map ” por su interés en via jar y su disc apacidad visual y “ Moon Reade r ” por su gusto p or l a lectura. Un ex tracto de la s apps obte n idas como recomendació n para P ersona S se m ues t ran en la Fig ura 3- 5. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 104 Capítulo 3: Metodología para la creación de ontologías Figura 3-5: R ecomendación de las aplicaciones obtenidas por el razonador Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 105 Capítulo 3: Metodología para la creación de ontologías Acorde a sus interes es , el razonador obt iene com o c ategorías rec omendadas ( userHasRecomme ndedCategory ) la de deportes ( Cat egory_Sports ), v iajar ( Category_Travel ), vida sana ( Cat egory_H ea lthyLif e ), diet a ( Category_Heal thyLife_Diet ), lectura ( C atego r y_ R eading y Category_Reading _B ooks ) y ac amp ada ( Ca tegory_Tra ve l_Camping ). Figura 3-6: Ca tegorías recomendadas El si stema también consideró la discapacidad visual del usuario ( presbicia) como una discapacidad visual leve, de ac u e rdo c on las reglas previamente establecidas, lo que significa que el usuario puede lle var una vida n ormal c on la corrección de gafas o lentes. Ten i endo esto en c uenta, el sistema t ambién infi ere al gunas aplicaciones des tinad as a pers onas con discapacidad visual leve como " Blind Tool " (Figura 3-7(a)). Debido al interés del usuario, el sist e m a también infiere la aplicación " Suma y resta para ni ñ os " (Figura 3-7(b)) que lo ayudará a entrenar s us habilidades de cálculo. La Fi gur a 3-7(a) y la Figura 3-7(b) ilustran cómo el sistema hace infer encias de aplicaciones usand o como base las reglas es tablecid as par a la o ntol o gía. La Figura 3-7 (a) justific a la recom endaci ó n porque encuentra que la Persona S tiene un a discapa cidad v isual leve e infiere que es de Grado 1 y que tiene u n porcentaje de discapacidad d e Clase I I (entre 1 y 24% ), p or lo qu e necesita aplica ciones para ese t ipo de discapacidad. También se sabe que quiere como características de accesibilidad Sintetizadores de Voz porque le gusta l a lectura en su lector d e libro s el ec trónicos. Como la app “ Blind Tool ” h a sido d iseñada para personas con discapaci dad visual leve y además permite la estimul a ción auditiva , característica deseable para esta persona qu e t iene una pérdida auditiva leve , el sis tema recomienda esta a pp. Por o t ra par te, la Figura 3- 7 (b) r ec omien da la app “ Suma y resta para n iños ” porque Persona S puede hacer cálculos con fac ilidad y esta app requiere que el usuario t enga es a capa cidad además de estar en inglés , q ue es uno de los idiomas que con oce . Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 106 Capítulo 3: Metodología para la creación de ontologías (a) Exp licació n de los resultados obtenidos para la app BlindTool (b) Exp licació n de los resultados obtenidos para la app Suma y resta para niño s Figura 3-7: Exp licación de los resultados obtenidos por el razonador Como se pued e observar, para que el sistema recomi ende aplicaciones adecuad as en función del perfil de Persona S , no es necesario que el sistema conozca mucha información previamente, y a que es capaz de c onstruir un perf il más completo y hacer inferencias generando nuevos conocimientos basánd ose en la información exist ent e y en las reglas añadidas. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 107 Capítulo 3: Metodología para la creación de ontologías 3.4. REFER EN CIAS Antoni ou, G., & Harmelen, F. V. (2003). Web Ontology Langua ge: O WL. En H andbook on Ontologies in Information Syst ems. Springe r-Verlag. DOI: 1 0.100 7/978-3-540-9 2673 -3_4 Bravo Contreras, M . C., Hoyos Reyes , L. F., & Rey es Ortiz, J. A. (2 019 ). Metho dolog y for ontol ogy design and constr uction. Cont adurí a y Administración, 64(4), e13 4. ISS N 2448-8410. DOI: 10.22201/fc a.2448 8410e.202 0.2368 CIF: Clasificación Interna cio nal del Funciona miento, de la dis capacida d y de la salud (May o, 2001). https ://apps. who.int/iris /bitstream/hand le/10665 /43360/9 241545445 _spa.pdf Codina, V., & Ce c caroni, L. (2010). A R ecommendat ion System for t he Se mantic W eb. En DCAI 2010 . Distribut ed Computing and Artificial Intelligence – 7t h Inter nationa l Sympo sium. Valencia, Spa in, Sep. 7-10, 2010, p p. 45-52. DOI: 10 .1007/978-3-6 42-1488 3-5_6. Horroc ks, I., Pa tel-Schneider, P. F., Bol ey, H., Tabet , S ., Gros of, B., & Dean, M . (2004 ). SWRL: A s eman tic web rule language c ombi ning O WL and RuleML. W3C Member Submis sion. [Docume nto en línea] Dispo nible en ht tps://www.w 3.org/Submiss ion/SWRL Mobile Acces sibility at W3C. (2021). [D oc umento en línea] Dispon ible en https ://www.w3.org/WAI /sta nd ards-guidelines/m obile/ Musen, M . A ., & Prot égé Tea m (20 15). The Protég é Projec t: A Look B ack and a Look Forw ard. AI Mat ters, 1(4), 4–12. DOI: 10.1 145/2 757001. 2757003. Protégé. ( S.f.). [Docu mento en línea]. Dis ponible en h ttp:// protege.st anford.edu Sirin, E. , Pa rsia , B., Cuenca Gra u, B., Kaly anpur, A., & Kat z, Y. (2 007) . P ellet: A p ractical O WL-DL r easoner . Web Sem antics: Sci ence, Services and Ag ents on the World Wid e Web , 5(2), 51-53. https ://doi.org/10.1016 /j.we bs em.2007.03.004 Torres-Carazo , M. I., Rodríguez-Fórt iz, M. J. , Hurta do, M. V. , Samos, J., & Espín, V. (2014). Architecture of a Mobile App Recom mender Sy stem for Peop le wit h Spe cial Needs . En LNCS 8867/2014: U CAmI. Ubiqu itous Computin g and A mbient Intelligence : Pe rsonal isation and User Adapted Services. 8th Interna tional Confe rence, pp . 288- 291. Bel fast, UK, Dec, 2- 5, 2014. DO I: 1 0.1007/978 -3-319-1 3102 - 3_47 Torres-Carazo , M. I ., Rod rígue z-Fórtiz, M. J ., & Hurt ado, M. V. (2016). Anal ysis and re view of a pps and serious games on mobile devices i nt end ed for people w ith visual imp airment. En 2016 IEE E I nt ernationa l Conferenc e on Serious Gam es and Applications for Hea lth (SeGAH), pp. 1-8. DO I: 10.1109/Se GAH.2016.7 58626 3. Torres-Carazo , M. I. , R odríguez-Fórt iz, M. J ., & Torres , M. V. H. (2021 ). Dev elopment o f an Ont ology for the Inclus ion of App Us ers With Visual Impairments . IEEE Access, 9, 44339 -44353. DOI: 10.1109/AC CESS.2021. 30652 74. WCAG 2.1: Web Content Accessibilit y Guidelin es 2.1. [Documento en l íne a] Disponib le en https ://www.w3.org/T R/2018 /REC-WCA G21-2018 0605/ Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 114 Capítulo 4: Dominio y ontología del usuario Nuestro cas o de estudio s e va a centrar en el grupo de personas que pr esentan una discapacidad sensorial visual. Por e ste m ot ivo, se van a des arr o llar sus caract erís ticas a continu ación. 4.1.2 . Discapacidad v isual La mayoría de las habilidades q ue pose emos, de los c on oc imientos q ue ad quirimo s y de la s actividades qu e desarrolla mos, las aprendemos basándonos en i nformación visual, po r lo que un factor d eterminante a la h ora del aprend izaje es el m omento de la aparición de la ceguera o la discapacidad visual, qu e puede ser congénita o adqu irida. Las personas que prese ntan l a discapacidad de manera c ongéni t a d eb en construir sus conocimientos sobre el entorno partiendo de u na menor o nula información v isual, aunque pueden ayudarse de la percepción de la luz para sus movimientos y orientación. Los que la presentan de manera adquirida, sí han tenido previamente una mayor información v isua l, por lo qu e la construcción de conocimien t os es relativamente más sencilla en determinadas ocasiones (por ejemplo, es conoced or de colores, figuras, m edidas, entorno s, etc.) (ONCE, 20 11). Otros factores que pueden influir son: la actitud de la familia, presentar otras discapacidades , evolución de la discapa cidad visual, etc. (Con sejería Ed uc ación, 2008). La participación es definida en la CIF para l as perso nas ciegas o con deficiencia visual grave com o el acto de in v olucrarse en un a situación vital en las actividades de la sociedad . Suele presentar dificultades, como problemas en el desplazamien to por entorn os poco conocidos, realizar el autocuidado, aprendizaje y aplicación de c onoci m ientos o dificult ades sociales, ya que no pueden identificar a personas qu e están cerca o que s e apro x iman, por lo qu e en oc asi o nes no s on capaces de iniciar conv ersaci o nes o se quedan fuera de e llas. Po r ot ra parte, no pueden l eer c iertos carteles indicativos, etiquetado de product os, imágenes o su propia corresponden cia. So n estas sit uaci ones las que provocan restr icciones en la particip ación e integraci ó n de las personas en l a sociedad al tener limitadas sus fu nc ion es v i suales . Según la CIF, l as funciones visuales son fun c iones sen so riales relacionadas con pe rcibir la p resencia de luz y s entir la forma, el tamañ o y el colo r de un estímu lo visual. La mayoría d e las personas presentan a l o largo de su vida algún proble ma v isual, que suele ser corregido con lentes ópticas o que es fácilm ent e t ratable. No obstante, en o casi o nes, la est ructura c orporal del o jo puede verse afectada debido a una le sión o porque parte d e l cerebr o n o funcione correctamente. En estos casos la visión no pu ede se r c orregida con el us o de le ntes ni con c irugía. Según la OMS y de ac u e rdo c on la Clasificación Internacional de Enfermedades (CIE- 11 , actualización y rev isión del 2 021), el deterioro de la visión se divide en: sin deterioro de la visión , deterioro l eve de la v isión, deterio r o moder ado de la visión, de terioro g rave de la visión y ceguera (binocular y mono cular ) . Esta categoriza ción se c orresponde c on la q ue se realiza en la C l as ificaci ó n Internacional del Funcionamiento, de la d iscap ac idad y de la salud (CIF), donde los co mponentes s e miden usand o una escal a genéric a de magnitudes: no hay problema, problema ligero, problema moderado, proble m a grave y prob lem a completo, a demás de l as opc i o nes sin especificar o no aplicable, como s e indica e n el Apartado 4.1.3. de est e C apítulo. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 115 Capítulo 4: Dominio y ontología del usuario 4.1 .2.1. Funciones visuales La disminución de las funciones visuales se est able cerá por profesionales que analizarán las principales v a riables v isua l es: agudeza v isu al, camp o v isual, cromatismo y fondo de ojo s. A continuación, se de scriben es tas v ariables con d et alle. La agudeza visual es la percepción de los detalles específicos de los objetos, como pu eden ser el color, la forma o el tamañ o entre otras. Estas caracterí s ticas se perciben de cerca o lejos, según la funcionalidad visual d e cada pers ona. La agud eza visual se establ ece mediante la car t a de Snellen, qu e consiste en recon ocer letr as de distintos tamaños o la de Wecker (1973), que es equivalente, pero se creó con símbolos para aquellas personas q ue no sabían leer. A cada fila d e la carta se le asocia una fracción num érica, que indica la proporción entre la distancia a la que la persona identifica el símbol o y la distancia a la que lo hace un o jo sin defici enc ia. L a distancia se puede medir en pies o e n m etros. E sta prueba d ebe realizarse en cada ojo por sep arado. El porcentaje d e pérdid a visual se calcula h ac iend o la media entre la visión cercana y la lejana. La Figura 4-2 mu estra la Carta de Snellen y la C arta de Wecker. Figura 4-2: Ca rta de Snellen original 1862 y Carta de Wecke r Fuente: Wikiped ia En la carta de Snellen, el v alor 2 0 /20 indica una visión normal. El valor 20/40 indica que la persona ve a 20 pies lo que u n o jo n o rmal ve a 40 pies. El por cent aje d e incap acidad legal e n España s e calcula mediante la Escala de Wecker. Teniendo en cuenta que un o j o sano e q uiv ale a un 1 y una cegu era a un 0 , se considera com o ojo más sano a aquel que t iene mej o r agudeza visual d e los dos y ojo peor el que la t ien e menor. Según la agudeza visual de cada uno d e l os oj o s, se asig na un p orc entaje q ue establece el grado de i ncapacidad de las personas. A c o ntinuación, se mues tra la Tabla 4 -1 para c onocer ese p or c e ntaje de gr ado de incapacidad visual. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 116 Capítulo 4: Dominio y ontología del usuario Tab l a 4-1: Escala de Wecker y grado de in capacidad asociado Fuente: ht tps://asociaciondoce.com/escala-de-wecker/ El cam po visual es el área en l a cual un a persona pued e v er objetos en su visión periférica m ientras enfoca l o s ojos en un punto central. No rmalmente, el c ampo visual p eriférico de cada ojo alcanz a unos 94 o en sentido tempo ral, h ast a 80 o h aci a abajo, 50 o h acia arriba y 62 o grad o s en sentido nasal. La Figura 4-3 muestra, d e forma gráfica, la m edida del c ampo visu al. Figura 4-3: M edida del campo vis u al Fuente: senia leticaiset.blogspot.com.es y es.slideshare.net/ElenaGndara/agudeza-y -cam p o-visual El campo visual disminuye como consecuencia normal del proceso de en vejecimiento, pero también puede indicar tras t ornos de la vía óptica debidos a diversas enfermedades. Según el área que se pierda, se dis t ingue entr e: - Estocoma : la vista se pierd e e n una z o na concreta del c ampo visual. - Pérdidas del campo visual concéntricas : las pérdidas comienzan, por ejemplo, en el ex terior y avanzan hacia el centro o , al cont rari o . Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 117 Capítulo 4: Dominio y ontología del usuario - Metamorfopsias : d esfigura c iones de las lín ea s r ectas qu e s on vistas c o mo ondulaciones. - Hemianopsias : p érdida de la mitad del ca m p o visual en u no o en los dos ojos . - Cuadrantan o psias : pérdida de un c uar t o del c ampo visu al e n uno o en los dos ojo s. Esta pérdida de camp o visual se mide en un po rce nt aje, que indica el grad o de pérdida de visión periférica. La prueba más precisa es mediante una perimetría, que consiste en detect ar dest ello s de luz en la visión per iférica. El tercer parámetro, cromatismo , indica la facultad de un ojo para d iscriminar c o lores. La prueba consiste en identificar números en unas tarjetas con patrones de puntos d e c o l o res. Estas tarjeta s se lla man cartas de Ishih ara. Esta prueb a puede ind icar problemas congénitos en los c on os de la retina o una enfermedad del nervio óp tico. La Figura 4-4 muestra dos ejemplos d e las cartas de Ishihara. Figura 4-4: E jemplos de cartas de I shihara Fuente: www .wikiwand.com y www.testda lt o nismo.com Por últi mo, el examen del fondo de o jo u oftalmoscopia consiste en visualizar la ret ina y el disc o óptico a través de l a pupila y de los medios transparen tes del glob o ocular (córn ea, humor acuoso, cristalino y hu mo r v ítre o ). Esta prueba p uede realizarse u t ilizan do diversos i nstrumentos, como son: oftalmoscopio direct o, oftalmoscopio bin o cular indirecto, ret in ó graf o o lámpara de hendidura. La Figura 4-5 muestra las partes del fondo de oj o . Figura 4-5: Fo ndo de ojo Fuente: ht tps://centroopticoelaltet.wordpress.com Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 118 Capítulo 4: Dominio y ontología del usuario 4.1 .2.2. Discapacidad visual Se entiende por discapacid ad v isual la ausencia o m al funciona miento del sist ema óptic o, y a sea debido a una en ferm edad, le sión o se haya adquirido congénitamente. El término discapacidad visual abarca un am pli o abani co de patologías y dificu l tades v isuales que conllevan distintas situaci ones. Como se ha c omentado anterior m ente, dentro de este g rupo, se encuentran aquellas personas qu e presentan (CIE-1 1) : - Ceguera : la visión en ambo s ojos reún e, al menos una de las siguientes condicion es : o Agud e za visual igual o in ferior a 0,1 ( 1/ 10 de la esca la Wecker) obte nida con l a mejor correcci ón posible. o Campo visual d ism inuido a 10 grad o s o men os . - Discapacidad visual grave : percibe volúmenes, c olores, objetos, caracteres impresos, etc. siempre a muy poca distancia y con ayuda óptica (gafas, lupas, etc.). La OMS c onsidera que en este apartado se sit úan aquellas personas c uya v isión en am bos ojos reúna, al meno s una de las siguientes con dici ones: o Agud e za visual superior a 3/60 y menor qu e 6/60 obten ida con la mejor correcció n posible. o Campo visual d ism inuido a 20 grad o s o men os . - Discapacidad v i s ual moderad a : percibe vo lúmenes, colores, objetos, cara cteres impresos, etc. a pocos centí m etros sin nec esidad de ay udas ópticas. La OMS c onsidera que en este apartado se sit úan aquellas personas c uya v isión en am bos ojos reúna, al meno s una de las siguientes con dici ones: o Agud e za visual superior a 6/60 y menor qu e 6/18 obten ida con la mejor correcció n posible. o Campo visual d ism inuido a 30 grad o s o men os . - Discapacidad v isual lev e : t iene c apacidad para percibir objetos pequ eños, dibujos y símbolos. o Agud e za visual igual o sup erior a 6/18 y menor q ue 6/12 obtenida c o n la mej or corrección posible. o Campo visual central comprendido entre 120 y 6 0 grad os. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 119 Capítulo 4: Dominio y ontología del usuario 4.1 .2.3. Definición de ceguera El términ o ceguera se refiere a aquella s pers onas qu e no tienen r est o v isual o n o l es funciona (no perciben luz, y si lo hacen , no pueden localizar de dónd e viene). También, se pu e de definir en términos de las med idas que se u t ilizan para su dete rminación como una reducc ión de la agu deza visual inferior a 1/20 o una pérdida d el ca m p o visual m enor de 10 grados en el mejor de l o s ojo s con la mejor corrección posible. Dentro del término ceguera, se debe diferenciar entr e l a ceguera legal y la funcional. No obstante, la expresión “cegu er a legal ” es algo confusa, ya que este término se les aplica a personas que no son cie gas, porque presentan resto visual. P or este m otivo, la O NCE también usa el términ o d e “deficiencia visu al grave”. Esto nos hace distinguir en tre “ceguera real o funcional” y “ceguera legal”. - Ceguera l egal o deficiencia visual grave : es la que se c onsidera mínima para p o der recibir asistencia pública basada en ayudas o beneficios. En España es el límite que se establece para poder recibir ayudas conc retas y es la que se req u iere para afiliarse a la ONCE. Para ello deberá presentar en ambos ojos menos de un 10% de agudeza visual o tener una reducción del campo v isual del 90%. E st os valores s on equivalentes a los f orm ula dos por la OMS y se corresponden co n una agudeza visual de 0,1 o menor y/o un campo v isual de 1 0 grados o m enor. - Ceguera real o funcion a l : se refiere a l a d iscapacidad visual que consiste en la p érdida total o parcial del senti do de la vista y que sólo e s capaz de distinguir luces y sombras. 4.1 .2.4. Origen y causas de la ceguera Al menos 2200 m illones d e personas de todo el mund o padecen una deficien c ia visual o ceguera, de las que, c om o mínimo, 1000 millo n es de personas tienen una deficiencia que podría haberse evitado o que aún n o s e ha tratado (OMS – I nfor m e, 2020). Las causas de las afecciones oculares son div ersas y ent re el las se encuentran el en v ejecimien t o, determinados estilos de v ida y comportamientos (como la alimentación o el tabaquismo), infecciones (por las condiciones higiénica s), ot ras derivadas de problemas de s alu d o la genética. El envejecimiento es uno de los principales factore s de prevalencia de las afecciones oculares, como en el caso de la pr esbic ia o de las c ataratas. Si la ceguera es congénit a las causas pueden ser, que ha sido t rans mit ida por la madre en el embarazo debido a un a i nfec ción o e nfer medad o bien puede haberse hered ado genéticamente. La etnia es otro fac t or que está rel ac ionado con una mayor probabilidad de padec er determinad as afecciones oculares. Una ceguera sobr eve nida s uele deberse a una enfer medad, le si ó n trau m ática o a c cidente. Según el inf o rme mundial sobre la ceguera y discapacidad v isual (OMS – Informe, 2 020) , las afecciones oculares c omunes que pueden causar defi ciencia visual o incluso c eguera so n: - Ambliopía : es la v isión reducida en uno de los ojos debido a que éste deja de usarse. Cuando los ojos env ían al cerebro mens aj es dife rent es, el cer e bro sup r ime l as i m ágen e s recibidas del ojo no dominante , d e este modo, este ojo deja de usarse. Suele ocurrir a partir de la Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 120 Capítulo 4: Dominio y ontología del usuario presencia de estr abis mo (b izquera) y a que el cerebr o em pieza a ignorar l os men sajes del ojo no alineado. Es c ausa d el 2 , 5 % de ceguera m und ial. - Cataratas : ocurre cuand o la luz no pu ed e pasar fácil mente a través d el cristalino porque se vuelve opaco, lo que pro v oca que no se enfoq uen las i m ágenes correctam ente. La causa principal es el exceso de ac umulación d e proteína o el cambio de coloración d el cristali no debido a la edad. Puede ocurrir que un bebé t enga cataratas congénitas. Es c aus a del 33% de ceguera mundial. - Retinopatía diab ét ica : la diab et es daña l o s va so s sang uíneos que ha y en la retina. No s uele haber m u cha dificultad en las primeras etapas de la enfermedad , pero s i empeora pueden causar ceguera. Es causa del 2,6% de ceguera mu ndial (Cast ill o et al., 2 020). - Glauc o ma : oc urre c uando la pres ión intraocular es el ev ada y lesiona el ner vio óptico. Se comienza perdiendo la v isi ó n la t eral, y si no es tratada, se pierd e la visión frontal. Es causa del 2% de ceguera m undial . - Degeneraci ón m acul ar senil : es un deterioro progresivo de una zona de la r etina (la mácula). Produce una pérdida pr ogresiva de la visi ó n central. E s c ausa del 7% de cegu e ra mundial. - Tracoma : aparece debido a un microorganismo ll a m ado Chlamydia Trachomatis que provoca una inflamación oc ular. Suele estar relac io nado con s e c tores socioeconómicos bajos debido a la falt a de hi giene. Es causa del 1, 4 % de ceguera mun dial. - Oncocercosis : aparece deb ido a un pará s ito llamado Onchoce r ca Volvulus , que son lar v as que se desarrollan bajo la piel . Si estas larv as llegan a los oj o s, pu eden cau s ar c eg uera. Es causa del 1% d e c eguera m undial. - Ausencia de vitamina A : es la principal causa de c eguera infantil. La v i t amina A es un componente necesario para una visión adecuad a. Si existe un déficit d e esta vit a m ina, puede aparecer la c eguera. Es causa del 3% d e c eguer a m undial. - Opac idad cor neal : ocurre cuand o la có rnea se vuelve ci c at rizada o turbia y suele estar causada por lesi ones , infec ciones o deficien c ia de v itamina A en el caso de l os niñ os . Puede englobar a varias af ec cione s ant eriores. - Error de refracción : debid o a una forma anor m al del globo oc ular , la luz no se enfoca correctamente en la retina, produciendo una visión bo rrosa. Los tipos má s comunes son la miopía y la presbicia, que s uele aparecer a partir de los 4 0 años. Este grup o de pers ona s representa un p orcentaje d el 43%. - Otras causas que no se han valorado anterior m ente o qu e s on de origen desconocid o, son las que prov o can el 10,25% d e las afecciones visuale s a nivel mundial. Estas afeccion es pu eden s olaparse, ya qu e pu eden ser causas unas de ot ras o simplemente te ner dos o más de ellas. 4.1 .2.5. Diagnóstico y medida de la dis capacidad sensorial visual Según el RD 888/2022 (RD 888/2022), el dia gnó stic o y la medida de la discapacidad visual de una persona debe realizarse de forma individual para tra tar de dar respuestas pers onalizadas a cada Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 121 Capítulo 4: Dominio y ontología del usuario individuo. S e v alorará, por una parte, el déficit v isual y p or otra parte se realizará una v aloración sobre factores sociales co m plementarios que pueden limitar la integraci ó n de las personas en los ámbitos familiar, económic o, laboral, c ultural y en s u propio entorn o para obten er u n diagnóst ico completo. La me dida de la discapacidad se lleva a cabo en España con los anexos de la Orden DSA/934/2023, de 1 9 de julio, por la que s e mo dific an los bare mos que figuran como Ane x os I, II, III, IV, V y VI del Real De creto 888 /2022, de 18 de oc t ubre que se basan en la CIF (2 001 ). Para la v aloración psicop edagógica se tendrá en c uenta si l a defici encia es here dada, congénita o adquirid a, y el momento en el que apare c e. Para t odo esto, las herrami e ntas que se usan son principalmente la ob servación, cuestionarios, entrevis tas y test. Antes de real izar cualquier exa m en se crea un historial con información per sonal en el qu e se incluyen datos como la edad, enfermedades que padecen, la evolución de la pérd ida de la v i sión o posibles molestia s o do l o res oculares. Las áreas que principalmen te se analizan son: la psicomotricidad, la a fec tivid ad, e l desarrollo académico, el desarroll o de los s entidos, las relaciones con ot ras pers o nas y la personalidad entr e otras. 4.1 .2.6. Pruebas de aplicación Pueden dar se casos en l o s que el diagnóstico d e un niv el determinado de una discapacidad v isua l sea complicad o de realizar como, por ejem plo, en el c aso de bebés, niños que aú n no saben hablar, personas con otro t ipo de discapacidad o dificultad para co municarse, etc. Para realizar este t ipo de diagnósticos d e la deficienci a visual se podrían introdu ci r las p ruebas de aplicación general o concretas que p udieran adaptar se a es tos c a sos y realizarlas de for m a or al, manipulativa o e scrita en bra ille ( Lafuente, 2 023) . Eje m plos de pru ebas son los s i guientes: - Test R ever s al : Percepción Espacial (Miguel Díaz, 1980). L a finalidad de este test es la de diagnosticar funciones básica s co m o la perc ep ción visual, est ru c turación espacial, detección de anomalías predisléxicas, et c., aspectos cl av e para el ap rendizaje de la lectura. - Escala Leonhard t (niños ciegos de 0 a 2 años) (Leonh ar dt, 2007). Esta escala de desarrollo evalúa diversas área s como el c ontrol postural y mot ricidad, el sentido aud it ivo, la comunicación, el sentido táctil, el desar ro llo cognitivo y los hábitos de lo s niños ciegos ent re 0 y 24 meses. Tra t a de valorar si el desarrollo evolutivo d e es tos niñ os es correcto o presentan afectaciones seg ún una es cala espe cífic a y dif e renciada de cualquier escala aplicable a niños sin p ro bl em as v isuales. - Lista de control de Mira y Piensa ( Chap man et al., 2004): Percepción Visual (de 5 a 11 años). Este pr oy ecto realiza un a obser vación del nivel de fu nc ionamien t o del niñ o y una vez obtenida la información, se elab or a un perfil con el desarroll o alcanzado y se confecciona un programa de en trenami ent o para desarr ollar las áreas no con seguidas. - Test de i nteligenc ia para n iños con dificultades visuales ( W illiam s, 195 6). Test basado en el WISC (Wechsler, 2 015) para niños con ceguera o de ficienc ia visual, d es de los tres años y medio a los 16 años. C om o res ultado de aplicarl o se o btiene e l cociente intelectual. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 122 Capítulo 4: Dominio y ontología del usuario Otras pru e bas que miden la discapacid ad visual y la cognitiva son: Test DAT- 5, Test G -Factor, Test K-ABC, Test McCar t hy, Test de m atric es progresiva s de Raven, T es t de W ec hsler o Test de d om in ó . 4.1.3 . Evaluación de la dis capacidad La evaluación de una dis capacidad puede medirse utilizando la escala pr oporcionada por la Clasificación I n t ernacional del Fun cionam i ento, de l a discapacidad y de l a salud (CIF, 2001). La CIF usa es t a tabla g enéric a para clasificar la s fun ciones corporales, las estruc turas, las actividades y participación y su en torno. Para indicar la gravedad de una situació n en parti cular , se indica con la m agnitud de la discapacidad, que gradúa de forma general la ausencia o presencia de un proble ma. Además , p ara identificar esta magnitud, se pu eden usar adjet ivos o cual ific ad o res si gnificativos de entre los qu e se indican o s on similares a l os mostrados en la Tabla 4-2. Est os c ualificadores permiten comparar datos y proporcionar m ás informaci ón cuando el usuari o n o pu ede e xplicar su situación exa c tamente, pero sí que puede dar al guna p alabra para clasificarlo. La codificación con fo rme a la CIF se realiza: - Primero indicand o un a l etra para iden t ificar si s e es t á c o dificando un a fu nción corporal (letra b – body ), una est ruc t ura (letra s - str uc t u re ), una actividad y part icipaci ón ( letra d - domain ) o su ento rno (l etr a e - envi r onme ntal ) - A cont inuaci ón, le sigue un conjunto de 3 a 5 números (representados por xxx en la colum na Codificación CIF ) , que se r efieren al nú mero del Capítulo de la CIF (un dígi t o), seguid o del segundo nivel (dos d ígit os) y del te rc er y cuarto n iv el ( un dígito para cada uno ) . Los niveles son subcateg orías que ap or tan más detalle que los situados en niveles super io res. Por ejemplo, dentro d el Capítulo 2 de la s estructuras corp oral es, d enominado “El o jo, el oíd o y estructuras relacionadas”, se encuentra en el segundo nivel “L a es tructura del globo ocular” y en un tercer nivel se encuentra “La r et ina ”. De est e mo do se identifi c a de fo r ma det allada la estructura corporal a la que se hace referencia. - Por último, un número del 1 al 4 indicando el grad o de la discapacid ad. O los valores 8 y 9 en caso de querer in dicar “sin e specificar” o “no aplicable”. Tab l a 4-2: Escala de cualificadores de la CIF (Extraída de la CIF) Codificación CIF (Grad o) Magnitu d de la Discapacidad Cualif icador Porc enta je [b,s,d, e]xxx.0 NO ha y prob lema (ninguno , ins ignificante, etc.) 0-4% [b,s,d, e]xxx.1 Probl em a LIGER O (poco, escas o, etc.) 5-24% [b,s,d, e]xxx.2 Problema MODE RADO (medio, re gular, etc.) 25-49% [b,s,d, e]xxx.3 Problema G RAVE (mucho, extre mo, etc.) 50-95% [b,s,d, e]xxx.4 Problema CO MPLETO ( total, etc. ) 96-100% [b,s,d, e]xxx.8 Sin especifi car [b,s,d, e]xxx.9 No apl icable Por ejem plo, en la codificación “b21020.2”, b se re fiere a funciones corporales, el primer 2 se refiere al Capítulo 2 del CIF titula d o “Funciones Sensoriales y Dol o r”, el 10 hace r e fere nc ia a “Funciones Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 123 Capítulo 4: Dominio y ontología del usuario Visuales”, el segundo 2 representa “Calidad de la v isión”, y el 0 final se c orresponde con “sensibilidad lumin o sa”. Por último, el n úmero 3 que se indica t ras el punto indica la magnitud de la deficiencia, qu e e n este caso es un pr o ble ma “grave”. También hay una asociación con l os porc en taje s que pueden ser usados en casos donde el problema se puede me dir. Los rangos de porcentaje se c alibran de acuerdo con la población es tándar y se expresan en percentiles (por ejemplo, 25-49%). E l v alor de los porc ent ajes puede aproxi m arse con los resultados obtenidos mediante test o entrevist as estandarizadas que determinan un porc entaje de discapacidad que pu ede ser reconocido p o r lo s órganos competentes en m ateria de discapacidad, como la Escala de Wecker (1973), usada para deter minar el porcentaje de discapacidad visual o la es cala de valoración Child-Pugh (1964 ) para medir la gr avedad de enfermedades h epát icas. 4.1.4 . Enfermed ades o probl emas que pueden p roducir u na discap acidad Es posible qu e c iertas enfermedades causen impedimentos y discapacidad es según s u nivel de gravedad. Est as enferm edades discapacitantes pued en afectar a un órgano o función corporal o más. L a afectación en las personas también puede ser variada y diversa, pero puede llegar a tener repercusiones negati vas en la interacción de la persona con s u ámbito. Estas enfermedades necesitan at enció n mé dica y acceso a p rogramas de sa lud q ue les permitan m antener su bienestar , estar activas y poder p art ici par e n la co m unidad . Tal y com o se ha mencionad o previa mente, la discapa cidad orgánica produc e l a pérdid a de funcionalidad de algunos sistemas corporal es. Como esta discapa cidad no est á oficialmente reconocida, n o sotros vam os a tratarla como enfermedades que pueden causar u na discapacidad. Aun así, es posib le que algunas enferme dades tamp o co s ea fácil clasificarlas o d arles un origen único puesto que pueden ser derivadas de otras, como el caso de problemas urinarios o intestinales debidos a una l es ión en la médula espinal. Vamos a pro pon er un lis t ado de ejemplo con algunas enfermedad e s y proble m as que considera m os más comunes y que puede n pro ducir un a di scapacida d ( CDC, 20 22) (Discapne t , 202 3c ): - Afasia : causada p o r un dañ o cerebral, afecta al á mbito de la co m unicaci ón y el lenguaje. - Artr i tis : limi t a el movimien to de l a s per s onas al tener i nflamac ión de las articulac i o nes. - Atrofia muscular espinal : c onsiste en una degeneración muscular y debilidad que c onduce al fallecimiento de la per son a. - Asma : la afectaci ón a los pu lm ones puede pr oducir discapacidad. - Colesteatoma : es un quiste que se produce en el oído m edio por causas genéticas o p or una infección crónica. Puede p rovocar pérdida auditiva y mareos, así c omo la ruptura de los huesecillos del oído medio derivando en hip o acusia. - Corea de Hunting t on : enfermedad neurológica degenerativa que produce movimientos involuntarios inc o ntrolados, desarregl os psíquicos y demencia. - Crohn (en ferm edad) : trastorno por el que se produce un a inflama ción del intestino delgado produciendo d o lor. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 226 Capítulo 5: Dominio y ontología de las apps Figura 5-36: O ntología Perfil de las Apps (AppsOntology) Tal y c omo se comentó e n la metodología para la construcción del si st ema d e ontologías de la metodología Bravo, Hoyos y R ey es (2019), en el segun do pas o se d ebe d efi nir en DL cada o nt ología individual. La definici ó n en DL de la ontología se muestra en la Fi gura 5-37: Figura 5-37: Perfil de l a ontología de las Apps en DL A continuación, s e va a comentar cada una de l as clases de la on t ología con mayor detalle. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 227 Capítulo 5: Dominio y ontología de las apps 1. CATEGORÍAS ( Ap p Category ) Cada uno de los re p os itori os anali zados (App Store y Googl e Play) organiz a las apps en categorías que no tienen por qué coincidir ent re sí. De hecho, App Store t ien e 27 catego rías mien t ras que Google Play t iene 37, tal y c omo s e com ent ó en el Apartado 5.1.1. En un intento de realizar un a categorización común, he mos propuest o un conjunto de categorías basadas en las categorías existentes y en los reposi t orios adem ás de inc luir nuevas qu e se relaci o nan con los intereses personales de los usuarios de las apps. De esta forma será más sencillo relacionar ambos conceptos en el sistema de ont o logías . La Tabla 5-2 m uestra la propuesta de la o rganizaci ó n de las categorías, que puede ser ampliado conforme a nue v os interes es de los usuari os. La j erar quía de la clase Cat egor ías de la App se muestr a en la Figura 5-38 y se p uede c om proba r que se corresponde c on la Tabla 5-2. Figura 5-38: Jera rquía de clases de Categorías d e las Ap ps (AppCategory) 2. APLICACIONES D ISEÑADAS ESPECÍFICAME NTE PARA ( AppDesignedTo ) La c lase Aplicacione s diseñada s es pecífic a mente para in dic a si una app posee las caracterí sticas de accesibilidad necesarias par a que una persona que tiene un tipo de discapacidad concr eta pueda usarla sin ninguna dificultad o bien si no e stá diseñ ada para nin g ún t ipo de disc a pacidad. Al estar relacionada con los tipos de discapacidad, la je rarquía de subclases s e correspond e con l a jerarquía de las discapacidades para las que pueden es tar diseñadas (Cognitiva, C omunicación, Auditi va, Sin Discapacidad en particular, Física o Visual). La Figura 5 -39 muestra la jerarquía de clas es de la cla se Aplicacione s diseñadas específicamente para . Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 228 Capítulo 5: Dominio y ontología de las apps Figura 5-39: Jera rquía de clases de Aplicaciones diseñadas específicamente para (AppDesignedTo) 3. DESARROLLADOR D E LA APP ( Ap p Developer ) En ocasiones, los desarrollad o res que c r ea n aplicacion es orientadas a alguna d iscap acidad, como la visual, suelen crear más de u na app para el mism o colectivo, ya que la especial ización nec e saria para conocer los requisitos de los potenciales usuarios y a las han adquirid o. Por este motivo es importante conocer los desarrolladores de las apps y pod er comprobar si ti enen m ás ap l icacion e s relacionadas con alguna discapacidad en concreto. Como ejempl o, la Figura 5-40 m uestra algunos de desarrolladores de aplicaciones en G oogle play (Talov, Inc., Envision Technologies BV y Geko Navsa t ) que han creado varias a pps orientadas a discapacidad visual. Figura 5-40: Desa rrolladores de apps orientadas a discapacidad visual en Google Play 4. MODO DE JUE GO ( App M odeOfPlay ) Como ya se comentó en el Apartado 5.1.3.1, los usua rios pueden querer cono c er si a un a app de juegos puede jugarse entre varios jugadores, de modo colaborativo, o un solo jugador, por ejemplo . Este concepto puede ser útil a la h ora de usar a pps que pueden s er útil es para t rabajar c iertos t ipo s de habili d ades soci ales co mo compartir c onoci m ientos o res petar los turnos. Esta informa c ión no está disp on ible de for ma g eneralizada en l os rep os itor io s, aunqu e Go ogle Play está e m pezando a implantarla en las últimas actualizaciones de las apps, asignándole una et iqueta con lo s valores “Un jugador” o “Multij uga dor” en su descripción, y en Ap p S t ore n o se encuentra. Sí es cierto que en ocasiones esta inf o rmación s e en c uentra en la descr ipción de la app. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 229 Capítulo 5: Dominio y ontología de las apps Esta clase M odo de Juego indica el núme ro y tipo de jugadores que perm i t e un a app y hay tres posibilidades: si sól o pued e usarla un usuari o ( SinglePlayer ), dos jugadore s ( Multipl ayer ), o si hay tres o m ás jugadores y se juega alternativamente ( MixedPlayer ). Cuand o hay dos jugador es existe la posibilidad de jugar contra la máquina o no ( AgentsP r esence ), por lo que las po sibilidades son: jugar e ntre human o s ( HumanHuman ) o jugar un h um ano co ntra la máquina ( AgentHu m an ) . Además, el juego puede desarrollarse en un entorno de redes sociales ( Social Networking ) en tres modalidades de juego : c olaborativo ( Collaborativ e ), competitivo ( Competiti ve ) o d e fo rma mixt a ( Mixed ). La jerarqu ía de la clase Modo de Juego s e m uestra en la Figura 5-41. Figura 5-41: Jera rquía de clases de Modo de Juego de la App (AppModeOfPlay) 5. SISTEMA OPER ATIVO PARA EL QUE ES VÁLIDA L A APP ( Ap pOS ) Según el dispositivo móvil del que disponga e l usuario, tendrá instalado un sistema operativo u ot ro. En c aso de tener un disposi t ivo de la marca App le, tendrá el iOS, el iPadOS o el watchOS, m ientras que en cas o de tener un teléfono de otra marca, y de forma g eneral, tendrá un sistema operativo Android en s us m últiples versiones como Fr oyo, G ingerb read, Lollipop o las últimas, qu e se in dic an con un número y cuya última versión ( 5 d e octubre de 20 23 ) s e nombra co n el número 14 . Como se indicó con anterioridad , no se han incluido otros sistemas op erat ivos para móviles por ser minoritarios com o Windows Mobile, Tizen o K aiOS. 6. EDAD PARA LA QU E S E RECOMIE NDA LA APP ( AppRecomme nd edAge ) No todas l as apps son adecuadas para todas l as eda des por los c ontenid o s que muestran o por aquellos a los que se puede llegar a acc eder. En el ca so de las apps que permiten el acceso libre a Internet tienen la clasificaci ón m ás restrictiva (m ayores de 1 8 años) y a que no hay control sobre l o que se puede ve r. L a s app s clasificadas con el menor nivel de restricción implican qu e son adecuadas para cualq uier edad. Por es tos motivos, p ara poder r ecomendar aplicaciones p ara una determinada edad o rang o de edades, datos que ya se han recogid o en la O ntol og ía Pe rfil de Usuario , e s imprescindible t ener en cuenta este aspecto. De esta forma se podrá relacionar la eda d del usuario con un rang o d e edad y éste con la clasificación qu e realizan los r ep os itorios de apps, para así recomendar la s apps adecuadas a ese rango. El deta lle de la clasificación por ed ades de Google P la y y App Store se enc uen t ra en la Tabla 4-4 y la Tabla 4-5 del Ca pítulo 4. D o minio y on t ología del usuario. Google Play clasifica conforme al sistema PEGI en cinco grupos: PEGI 3 , PEGI 7, PEGI 12 , PEGI 16 y PEGI 18, mie ntras que App Store usa su pr o pia c lasificación y ti ene cuatr o grupos: 4 +, 9+ , 12 + y 17+. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 230 Capítulo 5: Dominio y ontología de las apps La Figura 5-42 muest ra la c la s ificación de las edades que realizan los repositorios App Store y Google Play. Figura 5-42: Jera rquía de clases de Edad Recomendada de la App (AppRecommendedAge) 7. REPOSITORIO DE L A APP ( Ap p Store ) En función del t ipo de disp ositivo que posea el u suari o (App le o Android) es necesario que acceda a un repositorio u otro (Ap p S tore o Google Play) para desc argar e inst alar las ap ps que le permitan realizar las tareas d es eadas . Por lo t anto, a l conocer q ué tipo de dispositivo tien e im plicará qué repositorio deberá visitar o conociendo el repositorio qu e visita , se conocerá el tipo de dispositivo que tiene. Esta característica está íntimamen t e relaci o na da c on el s istema operat iv o del dispositivo pu es to q ue una depende de la o tra. No o bs t ante se h a con siderado mantener ambas para facilitar al usuari o la selec ción de u na sola propiedad y la deducción de la otr a. Además, es posible que no conozca una de las características p or ejempl o, qu e un disp o sitivo es Android, per o sí que conoce el nombre del repositorio. 8. TIPO DE LA APP ( Ap pType ) Las apps pueden ofrecer versiones de p rueba o permitir ampliar su funcionalidad previo p ago o mediante algún sistema de recompensas. Es p o sible que un usuari o s ólo quiera probar una ap p para com probar si es de su a grado y así lu ego obtener l a app com pleta. También puede q uerer que la app est é completamente finalizad a y c ontenga todas las funcionalidades desde el inicio o bien que se amplíen conforme supera niv eles o alcanza suficientes puntos de un juego. O tras opci o nes son co m prar extensiones o también s e pu e den encontrar alg unas que a ún están en fase de desarrollo y s ól o se pueden testear. 9. APLICACIONES ( Apps ) Hemos añad ido a la Ontol ogía Perfil de las Apps u na clase llamada Aplicacione s (App s ), qu e incluye un c onjunto de 89 individuos de eje mplo que s on perf iles reales de aplicaciones que se han cread o para mostrar el correcto funcionamiento de la ontología. Estas apps se han analizado y se encuentran de t alladas en el Anexo I. Lista do de Apps. Sistema de rec o mendación de aplicaci one s móviles accesibles para personas con ne cesidade s especiales: discapa cidad visual 231 Capítulo 5: Dominio y ontología de las apps 5.2 .2.2. Propiedades de la Ont ol ogía Perfil de las Apps La Ontol ogía Perfil de las App s también contiene una serie de pr opiedades d e los ob jetos y de los datos que per mit en rela c i o nar las distintas clases en t re sí y asi gnar v al or es específicos a algunos datos respectiva m ente. Las propiedad e s se explica n en los siguientes apartad o s con más detalle. 5.2 .2.2.1. Propiedades de los objetos (Obj ect Properties) Las propi edades de l os objetos c onec tan dos clases mediante un enlace semántico que p uede ser restringido po r el dominio y e l rang o. En la On tología Per fil de las Apps ( AppsOnto logy ), se puede establecer una relación en tre los diferentes dominios de sus clases para extender el conocimiento que se necesita para la aplicación del sistema. L a clas e Apps es el principal dominio fijado en la s propiedades de los objetos de esta o ntol ogía. Es tas relaciones se est abl e cen ent re los individuos de la clase Apps y el resto de clases de la ontología. El rango qu e se indica es la cl ase a la que se le aplica la relación en t re ellas. Por ej em plo, en la r elación App A Da rk Room  t ie ne Categoría  Categoría Juegos de Rol , el dominio es Apps y el rango será un individu o que p ertenece a la clase Cat egoría Juegos de Rol ( Category_Games _K ind_Rol e_P laying ). La Figura 5-43 muestra la clase Apps y algunos de sus individu os de ej emplo ( App Aira Explorer , App AYNA o App Blind Ex plore r ). Figura 5-43: Jera rquía de clase Aplicaciones (Apps) Las propiedad e s de los objetos que se han inclu i do son : - app AcceptAccessibilityDevic es (la a pp acepta dispositivos de accesibilidad ): estab l ece una relación entre una app y los dispositivos de accesibilid ad que acepta para ser usados en su funcionamiento. [Document text truncated for crawler view.]