Análisis comparativo de documentos frente a objetivos establecidos usando analítica de texto: caso de estudio syllabus de los cursos de unisinú

Abstract

El presente proyecto consiste en el proceso de analizar y comparar documentos con objetivos previamente establecidos, con la finalidad de reducir tiempos y costos, y junto a esto determinar la precisión de los temas plasmados en el contenido de los Syllabus de la Escuela de Ingeniería de Sistemas con respecto a los temas que se evalúan en las pruebas Saber Pro y Saber TyT.

El objetivo de dicho proyecto se basa en la obtención de dicho documento en los tipos de formatos WORD, PDF y/o Imagen, para posteriormente llevarlo a un proceso de análisis, y luego de esto comparar y determinar si la temática que se encuentra plasmada en los Syllabus de la Escuela de Ingeniería de Sistemas en sus distintos semestres, corresponde a la que se está evaluando en las pruebas realizadas por el Estado conocidas como las Saber Pro y las Saber TyT. Actualmente esta evaluación se basa en la taxonomía de Bloom [1].

Usando como herramienta la minería de textos, que se encarga de descubrir la información que no se encuentra de forma explícita en ningún texto, pero da surgimiento al relacionar el contenido de varios de ellos. Cabe destacar que esta se encuentra comprendida en algunas fases importantes para su desarrollo, las cuales vienen siendo la recuperación de la información, la extracción de la información y la minería de datos, esta última para encontrar asociaciones entre los datos claves que previamente fueron extraídos. Estas fases a su vez deben ser divididas en tres etapas, que vendrían siendo la de pre-procesamiento, que es la que transforma en algún tipo de representación estructurada o semiestructurada que facilite posteriormente el análisis. Luego viene la etapa de descubrimiento, en la cual se analizan las representaciones internas con el fin de obtener nueva información. Y por último la etapa de visualización, que es donde los usuarios pueden observar y explorar los resultados que fueron obtenidos. Al final se obtuvo una aplicación para gestionar los syllabus. Permite la carga de documentos, se divide en secciones y se realiza un análisis a cada sección. Esto se muestra en forma de informe gráfico. Este muestra, por cada sección, la presencia de los niveles de la taxonomía de Bloom. La forma en que se determina la existencia o no de un nivel, se hace mediante la revisión de las oraciones dentro de la sección. Es decir, las oraciones se analizan de forma individual y se genera un indicador numérico que se muestra dentro del informe.

The present project consists of the process of analyzing and comparing documents with before established aims, with the purpose of reducing times and costs, and close to this to determine the precision of the topics formed of the content of the syllabus of the school of systems engineering with regard to the topics that are evaluated in the tests To know Pro and To know TyT.

The aim of the above mentioned project bases on the obtaining of the above mentioned document on the types of formats WORD, PDF and / or Image, later to take it to a process of analysis, and after this to compare and to determine if the subject matter that is formed in the syllabus of the school of systems engineering in his diferent semesters, corresponds the one that is evaluated in the tests realized by the condition known like To know Pro and To know TyT. Actually, this assesment is based on Bloom's taxonomy [1].

Using as tool the mining industry of texts, which is the manager of discovering the information that one was not ending so explicitly in any text, but it gives emergence on having related the content of several of them. It is necessary to emphasize that this one is understood in some important phases for his development, which come being the recovery of the information, the extraction of the information and the data mining, the latter to end associations between the key information that before were extracted. These phases in turn must be divided in three stages, which would come being that of pre-processing, which is the one that it transforms into some type of structured or semistructured representation that facilitates later the analysis. Then there would come the stage of discovery, in which the internal representations are analyzed in order to obtain new information. And enally the stage of visualization, which is where the users can observe and explore the results that were obtained.

At the end the project end up with an application for syllabus's management. Allowing the load of documents, secction's document split and a section analisys. This shows, on each section, if there is a Bloom's taxonomy level. The way of noticing the existence or not of a level is by checking the sentences on each section. That means each sentence is individually cheched and this generate a numeric indicator on a report.