Navegación social

Una nube de etiquetas es una representación textual del tema o asunto que los usuarios ven colectivamente y captura la esencia del recurso.

Las nubes de etiquetas son fáciles de crear, intuitivas y de uso generalizado. También pueden representar los tres tipos de relaciones entre usuarios, etiquetas y recursos en los sistemas de etiquetado. Sin embargo, existe una limitación de tamaño en la nube de etiquetas que se puede mostrar en pantalla; por lo tanto, es importante seleccionar las etiquetas adecuadas y estructurar el espacio de información para presentar las relaciones en la nube de etiquetas.

Las nubes de etiquetas son muy simples y pueden aplicarse para ayudar al usuario. Los investigadores encuentran que las nubes de etiquetas suelen ser más útiles para las siguientes cuatro tareas diferentes, como ilustran Rivadeneira et al .: ^{[ 24 ]}

• Búsqueda: determinar la presencia o ausencia de un objetivo determinado.
• Navegación : explorar la nube sin un objetivo específico en mente.
• Obtener una impresión visual sobre un tema.
• Reconocimiento y coincidencia: reconocer la nube de etiquetas como datos que describen un tema específico.

Los investigadores también descubrieron que diferentes diseños son útiles al realizar diferentes tareas. Asimismo, demostraron que la tipografía de la nube de etiquetas (tamaño/posición de la fuente) es importante: el tamaño de la fuente tiene un mayor impacto en la búsqueda de una etiqueta que otras características visuales como el color, la longitud de la cadena de la etiqueta y la ubicación de la etiqueta. ^{[ 25 ] [ 26 ] [ 27 ]}

Según investigaciones previas, las formas comunes de realizar la evaluación de la nube de etiquetas son: ^{[ 28 ] [ 29 ]}

• Utilizar ciertas métricas de evaluación para nubes de etiquetas con respecto a la cobertura, la superposición y la selectividad.
• Modelo de navegación del usuario que se combina con las métricas de evaluación para permitir la evaluación de la nube de etiquetas con respecto a la navegación.
• Estudio de usuarios para evaluar el acceso a la información basado en etiquetas en colecciones de imágenes.
• Analizando el supuesto de navegabilidad (la creencia ampliamente aceptada de que las nubes de etiquetas son útiles para la navegación).

Un problema con los datos de etiquetado social es la falta de estructura. La sinonimia, la polisemia y la homonimia, así como los problemas relacionados con la semántica de las etiquetas, son cuestiones adicionales vinculadas a los datos de etiquetado. Existen dos categorías principales: algoritmos de agrupamiento plano y jerárquico.

La clasificación plana puede referirse a tres métodos: método basado en contenido, que es un algoritmo ampliamente adoptado para la selección de nubes de etiquetas, el algoritmo TopN propuesto por Venetis et al .; ^{[ 29 ]} método basado en red, que divide un gráfico de etiquetas conectadas en clústeres; y método de aprendizaje automático, donde se considera la relación semántica entre las etiquetas.

La agrupación jerárquica de etiquetas se refiere a la creación de una estructura jerárquica a partir de datos de etiquetado no estructurados. Esta estructura puede considerarse como los mapas mentales que los usuarios tienen del espacio de información y puede utilizarse como ayuda para la navegación. La agrupación jerárquica de etiquetas puede referirse a tres métodos:

• El agrupamiento jerárquico es el método que adaptó los algoritmos K-Means para trabajar con datos textuales y crear una jerarquía de etiquetas de arriba hacia abajo.
• La propagación de afinidad caracteriza cada muestra de datos según sus valores de "responsabilidad" y "disponibilidad". La entrada del algoritmo es un conjunto de similitudes entre muestras de datos proporcionadas en una matriz y la salida del algoritmo es una jerarquía, y cada nodo en la jerarquía representa una etiqueta única.
• La generalidad del método del gráfico de similitud de etiquetas incluye:
  1. La entrada del algoritmo es un gráfico de similitud de etiquetas.
  2. Establecer el nodo más general como la raíz de la jerarquía.
  3. Todos los demás nodos que se agregan a la jerarquía en orden descendente de su centralidad en el gráfico de similitud según las siguientes reglas:
     1. Calcular la similitud entre todos los nodos presentes actualmente en la jerarquía y el nodo candidato.
     2. Si su similitud supera un umbral determinado: el nodo candidato se añade como hijo del nodo más similar en la jerarquía.
     3. De lo contrario, el nodo candidato se agrega como hijo del nodo raíz.

El modelado de la navegación basada en etiquetas se utiliza para comprender los procesos que ocurren en un sistema de etiquetado social y cómo se utiliza dicho sistema. Para comprender el modelado de la navegación basada en etiquetas en sistemas de etiquetado social, existen dos factores clave: un marco de modelado básico para la navegación y la comprensión teórica de la capacidad de las folksonomías para guiar la navegación.

Se han estudiado diversas aplicaciones de la navegación social en el sistema educativo, como Knowledge Sea II. En comparación con los enfoques tradicionales (corpus cerrado), este sistema es capaz de recopilar información en línea (denominada corpus abierto) y retroalimentación de diferentes fuentes. El tráfico grupal se utiliza como retroalimentación para indicar información de navegación social, como "las partes más importantes de los libros de texto". Tras un estudio en el aula, el sistema Knowledge Sea II muestra un mejor rendimiento en la visualización de la relevancia del contenido del libro de texto y la satisfacción de los estudiantes usuarios. ^{[ 31 ]}

Mertens y sus colegas optimizaron el sistema preexistente, virtPresenter, con la adición del concepto de navegación hipermedia . Se integraron marcadores, huellas y elementos estructurales para ayudar a los usuarios a acceder a las grabaciones de las clases y también para brindar soporte a la navegación social para futuros usuarios. La nueva versión de virtPresenter muestra un mejor rendimiento en funciones de navegación social como la visualización, el filtrado semanal y los marcadores intercambiables. ^{[ 32 ]}

Farzan y Brusilovsky presentaron el sistema AnnotatEd, que combina funciones de anotación web y soporte de navegación adaptativa para potenciar la aplicación de la navegación social en la educación en línea. Con implementaciones de anotación web y soporte de navegación social, el sistema se integró en Knowledge Sea II y se evaluó durante seis semestres en la Escuela de Sistemas de Información de la Universidad de Pittsburgh, lo que demuestra una actitud de los usuarios significativamente más positiva hacia el nuevo sistema debido a su integración de la navegación social. ^{[ 33 ]}

Se introdujo un sistema llamado CityFlocks para mostrar la implementación de navegación social en un sistema de información móvil urbano . ^{[ 34 ]} La implementación es descrita por Bilandzic et al. (2008). ^{[ 35 ]} Para resolver el problema de la “ceguera social” basado en la afluencia de usuarios de teléfonos móviles, CityFlocks fue diseñado para permitir anotaciones web combinadas con coordenadas en objetivos físicos en la ciudad de forma directa o indirecta. Se eligieron grupos focales para recopilar requisitos y problemas en la navegación social. El sistema está diseñado y generado utilizando técnicas apropiadas como Google Maps y recuperación de información . Las pruebas de usuario de CityFlocks indicaron que un enfoque indirecto es más aceptable que uno directo.

Se han presentado dos prototipos de sistemas de navegación social: Juggler y Vortex. El sistema Juggler combina MOO , un entorno virtual textual , y un cliente web . El sistema Vortex utiliza un escritorio simplificado para presentar URL . ^{[ 36 ]}

La implementación de navegación social enriquecida con historial se basa en hacer visibles las huellas del comportamiento de los usuarios latentes a los usuarios futuros. La implementación de esta idea se puede atribuir a Wexelblat y Maes, quienes introdujeron un espacio de información enriquecido con varios mecanismos de navegación social: mapa de documentos, rutas de navegación y anotaciones y marcadores de documentos. ^{[ 37 ]} Utilizaron seis propiedades: Proxémica versus Distémica, Activa versus Pasiva, Tasa de Cambio, Grado de Permeación, Personal versus Social y Tipo de Información. Se han implementado más ejemplos de espacios de información ricos en historial en diferentes contextos, como el dominio educativo, ^{[ 38 ]} redes basadas en la ubicación y recetas de cocina.

Social Navigation Network (SoNavNet), una aplicación de red social basada en la ubicación, ideada por Hassan Karimi y su equipo, tiene como objetivo compartir experiencias de navegación. Además de mostrar el tiempo o la distancia más cortos, como Google Maps, se destacan la experiencia y las recomendaciones específicas de los usuarios. Con funciones de geolocalización y mensajería, SoNavNet permite a los usuarios enviar solicitudes a sus amigos mostrando su ubicación actual y puntos de interés , a partir de los cuales obtienen información sobre rutas y lugares adaptados a sus necesidades. ^{[ 39 ]}

Martin Svensson y su equipo crearon un sistema de recomendación de recetas , European Food On-Line, que cuenta con enfoques de navegación tanto directos como indirectos. Social Navigator se implementó como un servlet de Java para modelar el comportamiento de los usuarios y el uso de la comunicación en línea. ^{[ 40 ]}

La implementación de la navegación social juega un papel importante a la hora de guiar a los usuarios para que encuentren la información que necesitan. Wesley Willett y su equipo diseñaron Scented Widgets, que mejora la navegación con visualización integrada. Implementaron métricas de aroma con un widget de interfaz estándar y utilizaron codificación visual para los datos. Tono, saturación, opacidad, texto, icono, gráfico de barras y gráfico de líneas son codificaciones de aroma para resaltar diversa información, que puede mostrar diferentes tipos de datos al mismo tiempo. Utilizaron Java Swing y la apariencia y sensación conectables de la plataforma para crear y cambiar widgets en tiempo de ejecución. Para diseñar una interfaz fácil de usar , siguieron las directrices de codificación de aroma, diseño y composición. ^{[ 41 ]}

En un sistema de intercambio de archivos, cada usuario puede determinar qué archivos de su ordenador se pueden compartir a través de la red. Inicialmente, los usuarios debían configurar manualmente estos ajustes de seguridad, y aproximadamente ocho de cada diez filtraban involuntariamente información privada, como datos de tarjetas de crédito o direcciones. Ante este problema, Paul DiGIoia y Paul Dourish, de la Universidad de California en Irvine , introdujeron un modelo basado en la metáfora de pilas que utilizaba la navegación social para resolverlo.

El modelo de metáfora de pila se centra en dos aspectos principales. En primer lugar, muestra a los usuarios cómo otros usuarios del sistema deciden qué archivos se comparten, y esta información se presenta directamente como carpetas ; la apariencia de las carpetas indica distintos niveles de compartición. Gracias a este diseño sencillo, los usuarios pueden saber fácilmente si su decisión es la adecuada. En segundo lugar, el modelo de metáfora de pila también muestra el número de usuarios del sistema que han leído un archivo, indicando el grado de orden de la pila. Por ejemplo, cuantas más veces se lea un archivo, más desordenada estará la pila.

El modelo de metáfora de pila tiene dos ventajas: introducir este modelo en un sistema no cambia el diseño fundamental del sistema, ya que es como un pequeño complemento y tendrá una influencia significativa en los usuarios; y no distrae a los usuarios de su trabajo, porque cada característica relacionada con la seguridad se muestra directamente en la interfaz gráfica de usuario . ^{[ 42 ]}

Uno de los métodos comunes utilizados en el campo de la navegación social es la construcción de proxémica, la cual puede vincularse con la interacción humano-robot . Un estudio muestra interés en los diferentes tipos de comportamientos de navegación que los humanos esperan de un robot en un escenario de cruce de caminos. El resultado revela que la relación espacial se relaciona con el comportamiento, lo que permite predecir la acción esperada. ^{[ 43 ]}