Resumen: Una web accesible se refiere a que cualquier persona sobre todo las que tengan alguna
discapacidad física puedan acceder al contenido del website sin problemas. El objetivo de esta investigación
es el análisis mediante revisiones bibliográficas de los métodos de machine learning aplicados al estudio de
la accesibilidad en los portales web de los Gobiernos Autónomos Descentralizados. Además, se utilizó una
metodología de revisión sistemática de literatura a más de veinte artículos científicos relacionados con
palabras clave como: accesibilidad web, estadística, machine learning, entre otros. En los resultados
obtenidos se destacan varias técnicas, sobre todo, las del aprendizaje no supervisado ya que se observó su
utilidad en varias investigaciones, mejorando el análisis y comprensión de los datos. Esta investigación ha
demostrado que se pueden hacer trabajos interesantes de accesibilidad web en las instituciones, teniendo
en cuenta que estos estudios serían un aporte significativo para mejorar el acceso a los contenidos.
Palabras clave: Accesibilidad web, machine learning, aprendizaje no supervisado, estadística.
Métodos estadísticos de machine learning
aplicados en el estudio de la accesibilidad web:
una revisión de la literatura
ISSN-E: 2697-3650
Minerva Journal
Zambrano F. et al. Métodos estadísticos de machine learning aplicados en el estudio de la accesibilidad web: una
revisión de la literatura
Zambrano Félix
https://orcid.org/0000-0003-1383-658X
felix.zambrano@utm.edu.ec
Maestrante del Instituto Posgrado de la
Universidad Técnica de Manabí
Portoviejo-Ecuador
97
Recibido (10/09/2022), Aceptado (06/04/2023)
Vol.4, Special Issue 2023, (pp. 97-105)
Muñoz Emanuel
https://orcid.org/0000-0002-0997-0578
emanuel.munoz@utm.edu.ec
Universidad Técnica de Manabí
Portoviejo-Ecuador
Abstract. - Technological development in solid-state chemistry, nanotechnology, and new materials is
advancing at an accelerated pace; studies of methods to generate thin films of conductive and semiconductor
materials are of great interest; however, current methods tend to be very expensive and inaccessible to
developing countries. This work seeks to present viable and economical alternatives for teaching laboratories
to investigate chemical deposition processes in aqueous solutions and produce thin layers of materials of
interest in solid-state chemistry and new materials. The metals studied were copper, cobalt and, nickel in
different salts and reducing agents, hydrazine hydrochloride, phenylhydrazine and, sodium borohydride. The
main results show that it is possible to use cheaper chemicals to study depositions in an aqueous solution, a
viable alternative for laboratories.
Keywords: Web accessibility, machine learning, unsupervised learning, statistics.
Statistical machine learning methods applied in the study of web accessibility: a literature review
https://doi.org/10.47460/minerva.v2023iSpecial.121
ISSN-E: 2697-3650
Minerva Journal
98
I. INTRODUCCIÓN
Vivimos en una época en donde la tecnología tiene una importancia vital y el concepto de accesibilidad
debe de ir ligado a todo lo que se desarrolla en base a las tecnologías de la información y comunicación
(TIC). Con la creación del internet, también se desarrollaron los portales web con el objetivo de que las
personas naveguen y se comuniquen. Esta tecnología ha evolucionado al punto de que hoy en día tener un
sitio web es la presentación al mundo de una empresa o institución. Sin embargo, es importante destacar
que no basta con tener una web atractiva, hay que diseñarla de forma que sea accesible al mayor número
de personas posible, independientemente de su condición física, más aún si se trata de un portal en línea
que pretende simplificar los trámites municipales que todo ciudadano debe de realizar, y estos sitios web en
el caso de Ecuador, los tienen los Gobiernos Autónomos Descentralizados (GAD).
Según la Organización Mundial de la Salud (OMS), más de mil millones de personas, es decir, casi el 15% de
la población mundial, sufre algún tipo de discapacidad. El número de personas con discapacidad va en
aumento, lo que se explica por la creciente prevalencia de dolencias crónicas y el envejecimiento de la
población. En este sentido se han hecho muchas investigaciones acerca de la accesibilidad y en cada una de
ellas se han implementado diversas técnicas estadísticas para recolectar, ordenar, clasificar y analizar los
datos. Estos estudios se han realizado a diferentes tipos de portales web como por ejemplo a los del área de
salud, en el área del sector turístico, en la educación y también se han hecho estudios a los websites de
instituciones gubernamentales. Además, esta clase de investigación que se han realizado en el Ecuador en
su gran mayoría por lo general están dirigidos a las instituciones de educación superior y hay muy poca
información acerca de estudios realizados a instituciones públicas gubernamentales. Es por eso que el
objetivo de esta revisión literaria es descubrir y entender como se ha llevado acabo otras investigaciones
aplicadas a la accesibilidad y que métodos estadísticos relacionados a machine learning son las más
adecuados para el tratamiento de los datos.
En este trabajo, la recolección de la información se realiza mediante los motores de búsqueda en bases de
datos especializados en artículos científicos, se seleccionaron veinte documentos que aportan
significativamente a este trabajo, estos pasaron por un proceso de revisión y análisis con el fin de que el
contenido sea de calidad y tenga un gran aporte para el desarrollo de esta investigación.
II. DESARROLLO
En esta sección abarcaremos los aspectos teóricos y conceptuales relacionados a la accesibilidad web y a los
métodos de machine learning que se aplican a este tipo de estudio.
A. Accesibilidad en sitios web
El significado de accesibilidad está relacionado con el concepto de diseño universal, ya que nos dice que el
diseño accesible debe ser utilizado por la mayor cantidad de personas sin restricciones,
independientemente de sus habilidades físicas o intelectuales, con el objetivo de facilitar a cualquiera el
acceso al contenido de un documento electrónico, incluso al usuario que tenga una discapacidad física [1].
Vol.4, Special Issue 2023, (pp. 97-105)
Zambrano F. et al. Métodos estadísticos de machine learning aplicados en el estudio de la accesibilidad web: una
revisión de la literatura
ISSN-E: 2697-3650
Minerva Journal
99
Perceptible: El contenido como la información y componentes que conforman la interfaz de usuario se
deben presentar a los usuarios de forma clara de modo que puedan percibirlos.
Operable: Los componentes de la interfaz de usuario deben de ser operable.
Comprensible: La información que contiene la página web y el manejo de la interfaz de usuario debe ser
comprensible.
Robusto: El contenido de la página web debe ser lo suficientemente estable y robusto para que se
adapte y sea interpretado de forma confiable por diferentes agentes de usuarios, incluyendo las ayudas
técnicas.
La accesibilidad tiene como finalidad permitir que muchos individuos usen los sitios web,
independientemente de los conocimientos, las habilidades personales y las características técnicas del
dispositivo, eliminando las barreras que no permite que los adultos mayores y las personas con
discapacidad utilicen esta tecnología. De esta manera se puede afirmar que, utilizando correctamente los
criterios de accesibilidad, un portal web se convierte en una herramienta muy útil porque facilita el acceso a
la información a un mayor número de personas, especialmente aquellas que tienen alguna limitación física
[2].
B. Estándares y normas de accesibilidad
Las normas más utilizadas por los investigadores cuando realizan este tipo de estudio son los sugeridas por
la WAI (Web Accessibility Initiative), que es una rama de la W3C (World Wide Consortium) que se dedica a
mejorar la accesibilidad de la web [3]. La WAI tiene una pauta de accesibilidad llamada WCAG 2.1 (Web
Content Accessibility Guidelines, Pautas de Accesibilidad del Contenido Web), que nos da especificaciones de
cómo debería ser el contenido que se publica en las páginas web como videos, textos, imágenes, enlaces,
entre otros [4]. De tal manera, dentro de la WCAG 2.1 encontramos cuatro principios que se describen
como: [5].
Cada principio está formado por pautas que son los que se deben de tomar en cuenta para que una
página web sea accesible. Las pautas deben de estar dentro de los criterios de conformidad para comprobar
si realmente se cumplen. En este sentido, los criterios de conformidad tienen tres niveles el A, AA, AAA, en
donde el AA es el que más se debe de tener en cuenta ya que en este nivel se podrá alcanzar una
accesibilidad importante dentro de los sitios web [6].
C. Métodos y técnicas estadísticas aplicados al estudio de la accesibilidad web
Los métodos y técnicas estadísticas que se aplican para el tratamiento y análisis de los datos cuando se
trata de temas relacionados a la web son varios. Por ejemplo, en relación a la accesibilidad las técnicas
utilizadas por los investigadores son el análisis factorial de componentes principales [7], las técnicas para
medir la simetría de los datos, aplican la inferencia estadística, realizan pruebas de normalidad mostrándolos
en un gráficos histogramas y diagramas de cajas [2].
Vol.4, Special Issue 2023, (pp. 97-105)
Zambrano F. et al. Métodos estadísticos de machine learning aplicados en el estudio de la accesibilidad web: una
revisión de la literatura
Minerva Journal
ISSN-E: 2697-3650
100
Otros autores [8], utilizan una técnica de clasificación para determinar cuál es el nivel de accesibilidad. Sin
embargo, otras investigaciones [9], aplican técnicas estadísticas univariadas, bivariadas y multivariadas como
el análisis de componentes principales, de conglomerados y factoriales de correspondencias simples.
También se han aplicado técnicas de machine learning para el análisis de la accesibilidad en las
presentaciones [10], donde detallan un nuevo enfoque para valorar los documentos accesibles aplicando el
aprendizaje automático con un modelo construido a partir de las características de la apariencia de una
presentación.
D. Machine Learning (Aprendizaje automático)
El aprendizaje automático o machine learning nació en el campo de la inteligencia artificial, incluye un
conjunto de métodos matemáticos y estadísticos, cuyas tareas están relacionadas con el reconocimiento,
diagnóstico, predicción, entre otros. En este sentido, existen categorías de aprendizaje, de los cuales, los más
utilizados para el estudio de la web son el supervisado y no supervisado. Algunas investigaciones [11],
proponen un método de aprendizaje semisupervisado para evaluar la accesibilidad de todas las páginas de
un sitio web. Otros métodos [11] son conocidos como predicción activa. Este procedimiento convierte la
evaluación de la accesibilidad web en un modelo de aprendizaje activo para luego hacer predicciones,
logrando alcanzar una alta precisión en las evaluaciones.
El aprendizaje supervisado permite deducir patrones e hipótesis a través de los datos que se suministran
al modelo, lo cual lleva a predecir una instancia correspondiente a los datos de entrada. Además, dentro del
aprendizaje supervisado se pueden aplicar varias técnicas como la de árbol de decisión [12], red bayesiana y
máquina de vectores de apoyo (SVM) para poder clasificar cada uno de los conjuntos de datos de los sitios
web etiquetados como accesibles y no accesibles. Sin embargo, los resultados con estas técnicas pueden ser
prometedores, por lo que algunos autores sugieren una clasificación automatizada de las páginas web con
respecto a la accesibilidad.
Así como hay estudios aplicando el aprendizaje supervisado también lo hay utilizando el aprendizaje no
supervisado [13], donde se aplica la técnica de agrupamiento clúster a 21 portales web, con lo cual plantean
una técnica estadística para extraer características de las URL de forma no supervisada. La finalidad es
agrupar esas particularidades para construir patrones que representen los diferentes tipos de direcciones
web de un sitio.
El aprendizaje no supervisado puede liberarnos de la necesidad de etiquetar los datos y también de aplicar
características de ingeniería manualmente, gracias a los métodos flexibles, generales y automatizados del
aprendizaje automático [14]. También podemos encontrar un diagrama de las técnicas utilizados en los
aprendizajes no supervisados, en donde los investigadores dividen las técnicas en seis categorías
principales: aprendizaje jerárquico, agrupación de datos, modelos de variables latentes, reducción de
dimensionalidad y detección de valores atípicos.
A continuación, se analizan algunas técnicas del aprendizaje no supervisado que han sido aplicadas a
estudios relacionados a portales web, cabe recalcar que solo se revisaron técnicas que aportaron un valor
significativo para la accesibilidad web.
Vol.4, Special Issue 2023, (pp. 97-105)
Zambrano F. et al. Métodos estadísticos de machine learning aplicados en el estudio de la accesibilidad web: una
revisión de la literatura
Minerva Journal
ISSN-E: 2697-3650
101
Agrupación de datos (data clustering)
La agrupación en clústeres es un método de aprendizaje no supervisado que tiene como objetivo
encontrar patrones ocultos en datos de entrada no etiquetados en forma de grupos, es decir, abarca la
disposición de los datos en agrupaciones naturales significativas sobre la base de la similitud [14]. Las
técnicas de agrupamiento y de clasificación son muy útiles en estos tipos de estudios porque se puede partir
de unos pocos ejemplos de entrenamiento etiquetados automáticamente permitiendo captar características
valiosas de los objetos de estudios [15].
Algunas investigaciones muestran que las metodologías generales permiten el agrupamiento basado en
modelos, que además proporcionan un enfoque estadístico apoyados en los principios de la accesibilidad
web, por lo tanto, este tipo de modelos puede ser útil para otros problemas en el análisis multivariante, en el
análisis discriminante y la estimación de densidad multivariante [16]. También existen estudios enfocados en
la agrupación basados en la estructura y el estilo del sitio web para el proceso de categorización, limpieza,
detección de esquemas y extracciones automáticas de los datos [17]. En este sentido las técnicas de
clustering aplican un enfoque de aprendizaje automático para agrupar según las barreras detectadas y
seleccionando páginas representativas, se pueden obtener buenos resultados y así confirmar la validez de
los niveles de accesibilidad de los portales estudiados [18].
Reducción de dimensiones
La reducción de dimensionalidad de los datos es una tarea no supervisada, donde en lugar de elegir un
subconjunto de características, crea nuevas características (dimensiones) como una función de todas las
características. Es útil para modelado, compresión y visualización de datos [14].
Una de las técnicas utilizadas para la reducción de dimensiones es la del análisis factorial, aunque también
forma parte de la categoría de modelos de variables latente. Es diferente de otros modelos de variables
latentes en términos de la variación tolerada para diferentes dimensiones. En el modelo de análisis factorial,
las variables latentes tienen covarianza diagonal en lugar de covarianza isotrópica. Además del análisis
factorial también se puede aplicar la técnica del análisis de componentes principales (PCA). El PCA es una
técnica estadística que utiliza la transformación ortogonal en los datos para convertir n número de variables
posiblemente correlacionadas en menor número k de variables no correlacionadas denominadas
componentes principales. Usando esta técnica, podemos reconocer las características más fuertes que tiene
el conjunto de datos, lo que hace que los datos sean más fáciles para explorar y visualizar.
En esta revisión de la literatura se encontraron algunas investigaciones en donde se aplicaron las técnicas
del análisis factorial y el análisis de componentes principales. Los investigadores al aplicar estos métodos
pueden dividir las características de los sitios web en componentes considerándolos como subindicadores y
con la rotación varimax se puede facilitar la explicación de los vínculos entre variables y componentes [7].
Incluso combinando las técnicas de clustering y el PCA se obtiene un modelo con valores relevantes para
alcanzar los objetivos afines a la accesibilidad del contenido digital [19].
Vol.4, Special Issue 2023, (pp. 97-105)
Zambrano F. et al. Métodos estadísticos de machine learning aplicados en el estudio de la accesibilidad web: una
revisión de la literatura
E. Leyes de la Accesibilidad web en el Ecuador
En el Ecuador existe el Instituto Ecuatoriano de Normalización, INEN, que fue creado para establecer
normas técnicas ecuatorianas para satisfacer los sectores productivos y servicios. El INEN en su Reglamento
Técnico Ecuatoriano RTE-INEN: RTE-288 en la resolución N° 16 008 por el Ministerio de Industria y
Productividad “Accesibilidad para el contenido web”, establece las normas técnicas para la web, que toda
institución pública y privada que brinde algún servicio a través de la web debería cumplir [20]. Este
Reglamento Técnico Ecuatoriano aplica para los contenidos publicados en los portales web tanto del sector
público y privado que brinden servicios por este medio, garantizando el acceso a la información y
comunicación de todas las personas con y sin discapacidad. En este sentido, se ha tomado como referencia
la NTE INEN-ISO/IEC 40500, Tecnología de la información–Directrices de accesibilidad para el contenido web
del W3C (WCAG 2.0). Los requisitos primordiales para que un sitio web sea accesible según el reglamento del
INEN son los siguientes:
El contenido publicado y todo el sitio web, tiene que cumplir con las pautas y criterios de conformidad
establecidos en la Norma NTE INEN-ISO/IEC 40500, vigente. Se pide que los sitios web cumplan por
completo del nivel de conformidad AA, establecido en la Norma NTE INEN-ISO/IEC 40500, vigente.
III. METODOLOGÍA
La búsqueda bibliográfica de los artículos citados en este documento se la realiza mediante los sitios web
Google Scholar, Scielo, Research Gate, Science Direct, entre otros. Las palabras clave utilizadas para la
búsqueda fueron “accesibilidad web”, “clúster”, “estadística”, “aprendizaje automático”, “machine learning”,
“aprendizaje no supervisado” entre otras.
Se encontraron más de cincuenta artículos que contenían una o más de las palabras clave, luego se
escogieron los que aplicaban los métodos y técnicas del aprendizaje automático o machine learning para el
tratamiento de los datos, de los cuales los seleccionados para este trabajo fueron revisados y analizados
cuidadosamente, quedando finalmente veinte, desechando los otros ya que no se ajustaban a esta
investigación. Además, también se considera la relevancia en los resultados obtenidos, las conclusiones y
trabajos futuros.
IV. RESULTADOS
La accesibilidad de los sitios web es cada vez más necesaria ya que aporta con herramientas de utilidad a
una gran diversidad de personas, que deben incorporarse a las actividades online de diferente índole, de ahí
que resulte de gran interés la gestión apropiada de sitios web accesibles.
Los modelos de aprendizajes automáticos basados en las técnicas de machine learning permiten enriquecer
en gran medida el estudio de la accesibilidad de los contenidos en los portales web, sin embargo, hay que
saber escoger cuál técnica o método aplicar y va a depender del objetivo que se quiera alcanzar y del tipo de
datos que se recolecte de los objetos de análisis. Además, se debe de tener en consideración las
características que están normalizadas para que una web cumpla con los requisitos mínimos y sea de fácil
acceso.
Minerva Journal
ISSN-E: 2697-3650
102
Vol.4, Special Issue 2023, (pp. 97-105)
Zambrano F. et al. Métodos estadísticos de machine learning aplicados en el estudio de la accesibilidad web: una
revisión de la literatura
Minerva Journal
ISSN-E: 2697-3650
La diferencia más importante entre las técnicas del aprendizaje supervisado y el aprendizaje no
supervisado es que el primero, necesita que los datos estén etiquetados, es decir que la información sea
identificada o procesada previamente, pero en el caso del aprendizaje no supervisado no hace falta que los
datos sean etiquetados, lo que significa que no es necesario procesarlos previos a la aplicación de la técnica.
La técnica de agrupamiento o clustering es una de las más utilizadas en las investigaciones de la
accesibilidad web, porque facilita la clasificación de acuerdo a características relevantes que tienen los
individuos de estudio. Además, si va acompañado con la aplicación de otra técnica como la del PCA que
permite comprender cuáles son las variables más relevantes que influyen en el proceso de agrupación, se
logra mejorar el desarrollo y la obtención de los resultados.
Otra de las técnicas que destaca en estos tipos de investigaciones es la de reducción de dimensiones que
ayudan a entender cuál es la correlación de las variables de estudio y aplicando modelos basados en
agentes inteligentes se logra comprender los niveles de accesibilidad establecidos en las normas
estandarizadas. En este sentido, con las herramientas del aprendizaje no supervisado se pueden descubrir
falencias que permitan proponer nuevos enfoques a favor de la accesibilidad web.
CONCLUSIONES
Es bien sabido que los métodos estadísticos permiten el análisis de los datos de una manera muy eficiente
y de la misma manera se puede observar en el análisis de las relaciones que tienen las variables de estudio.
Es importante señalar que el investigador tiene la libertad de elegir las técnicas y métodos estadísticos que
crea conveniente, pero esta elección es uno de los principales puntos que marcan la calidad de los
resultados, es por eso, que conocer las ventajas, desventajas y escenarios de la aplicación de las técnicas es
muy relevante en un proyecto de investigación.
Las técnicas o métodos de machine learning tienen una gran importancia en la aplicación cuando en la
investigación hay que evaluar un gran número de variables. Las técnicas de clasificación, agrupamiento y
reducción de dimensiones son las protagonistas si se aplican para el tratado de los datos y para la obtención
de respuestas en lo que es accesibilidad web. Sin embargo, se debe de tener presente que cuando se habla
de la web tenemos que tener claro cuál es el tipo de contenido que se va a evaluar y dependiendo de eso
aplicamos los métodos.
Aplicar las técnicas de agrupamiento como el PCA, k-means, agrupación jerárquica, las técnicas de
clasificación o de reducción de dimensiones, facilitan el proceso de interpretar y mostrar los datos en
gráficos minimizando la incertidumbre para determinar conclusiones. En este sentido, cuando se estudia la
accesibilidad web se maneja un conjunto amplio de variables que al utilizar cualquier técnica o métodos de
machine learning, los resultados se convierten en parte primordial teniendo incidencia en la efectividad del
análisis.
Los modelos de aprendizajes automáticos basados en las técnicas de machine learning son usados por los
investigadores después de tratar los datos, por lo general con alguna técnica de análisis factorial o de
reducción de dimensiones que forman parte del aprendizaje no supervisado. Luego de ese procedimiento
se crea un modelo para lograr predecir los niveles de accesibilidad que tienen los portales web y de esta
manera estos métodos permiten que al estudiar la accesibilidad sea mucho más fácil comprender los
lineamientos de las normas aplicadas al contenido web.
103
Vol.4, Special Issue 2023, (pp. 97-105)
Zambrano F. et al. Métodos estadísticos de machine learning aplicados en el estudio de la accesibilidad web: una
revisión de la literatura
Minerva Journal
ISSN-E: 2697-3650
Es bien sabido que los métodos estadísticos permiten el análisis de los datos de una manera muy eficiente
y de la misma manera se puede observar en el análisis de las relaciones que tienen las variables de estudio.
Es importante señalar que el investigador tiene la libertad de elegir las técnicas y métodos estadísticos que
crea conveniente, pero esta elección es uno de los principales puntos que marcan la calidad de los
resultados, es por eso, que conocer las ventajas, desventajas y escenarios de la aplicación de las técnicas es
muy relevante en un proyecto de investigación.
Las técnicas o métodos de machine learning tienen una gran importancia en la aplicación cuando en la
investigación hay que evaluar un gran número de variables. Las técnicas de clasificación, agrupamiento y
reducción de dimensiones son las protagonistas si se aplican para el tratado de los datos y para la obtención
de respuestas en lo que es accesibilidad web. Sin embargo, se debe de tener presente que cuando se habla
de la web tenemos que tener claro cuál es el tipo de contenido que se va a evaluar y dependiendo de eso
aplicamos los métodos.
Aplicar las técnicas de agrupamiento como el PCA, k-means, agrupación jerárquica, las técnicas de
clasificación o de reducción de dimensiones, facilitan el proceso de interpretar y mostrar los datos en
gráficos minimizando la incertidumbre para determinar conclusiones. En este sentido, cuando se estudia la
accesibilidad web se maneja un conjunto amplio de variables que al utilizar cualquier técnica o métodos de
machine learning, los resultados se convierten en parte primordial teniendo incidencia en la efectividad del
análisis.
Los modelos de aprendizajes automáticos basados en las técnicas de machine learning son usados por los
investigadores después de tratar los datos, por lo general con alguna técnica de análisis factorial o de
reducción de dimensiones que forman parte del aprendizaje no supervisado. Luego de ese procedimiento
se crea un modelo para lograr predecir los niveles de accesibilidad que tienen los portales web y de esta
manera estos métodos permiten que al estudiar la accesibilidad sea mucho más fácil comprender los
lineamientos de las normas aplicadas al contenido web.
REFERENCIAS
[1] M. Campoverde-Molina, S. Luján-Mora, and L. Valverde, “Análisis de accesibilidad web de las
universidades y escuelas politécnicas del Ecuador aplicando la norma NTE INEN ISO/IEC 40500:2012,” pp.
53–68, 2019.
[2] A. Ismail and K. S. Kuppusamy, “Web accessibility investigation and identification of major issues of higher
education websites with statistical measures: A case study of college websites,” J. King Saud Univ. - Comput.
Inf. Sci., vol. 34, no. 3, pp. 901–911, 2022.
doi: 10.1016/j.jksuci.2019.03.011.
[3] The World Wide Web Consortium, “Home | Web Accessibility Initiative (WAI) | W3C.”
https://www.w3.org/WAI/ (accessed jul. 31, 2022).
[4] D. Naranjo-Villota, J. Guaña-Moya, P. Acosta-Vargas, and V. Muirragui-Irrazábal, “Evaluación de la
accesibilidad web en institutos acreditados de educación superior del Ecuador,” Rev. Espac., vol. 41, no. 4, p.
5, 2020, [Online]. Available: http://revistaespacios.com/a20v41n04/20410405.html
[5] T. Acosta, P. Acosta-Vargas, J. Zambrano-Miranda, and S. Lujan-Mora, “Web Accessibility Evaluation of
Videos Published on YouTube by Worldwide Top-Ranking Universities,” IEEE Access, vol. 8, pp. 110994–
111011, 2020, doi: 10.1109/ACCESS.2020.3002175.
104
Vol.4, Special Issue 2023, (pp. 97-105)
Zambrano F. et al. Métodos estadísticos de machine learning aplicados en el estudio de la accesibilidad web: una
revisión de la literatura
Minerva Journal
ISSN-E: 2697-3650
[6] N. K. Esparza Cruz, Z. Merino Acosta, and H. Guerrero Torres, “Accesibilidad Web en las Instituciones de
Educación Superior del Ecuador: Año 2016,” J. Sci. Res. Rev. Cienc. e Investig., vol. 1, no. CITT2016, pp. 44–48,
2016, doi: 10.26910/issn.2528-8083vol1isscitt2016.2016pp44-48.
[7] Ó. R. G. López, T. M. B. Palacios, and M. B. Mateos, “El índice cuantitativo de calidad web como
instrumento objetivo de medición de la calidad de sitios web corporativos,” Investig. Eur. Dir. y Econ. la
Empresa., vol. 19, no. 1, pp. 16–30, 2013, doi: 10.1016/j.iedee.2012.07.004.
[8] Y. S. Rodríguez, E. Á. Calderón, L. B. Pérez, and C. A. S. Anlas, “State of web accessibility of e-government
portals in Latin America,” Bibl. An. Investig., vol. 16, no. 1, pp. 7–22, 2020.
[9] L. Olsina and M. Bérnabe, “Técnicas Estadísticas para el Análisis de la Calidad de Sitios Web,” no. July,
2019.
[10] D. Sato, H. Takagi, and C. Asakawa, “Accessibility evaluation based on machine learning technique,”
Eighth Int. ACM SIGACCESS Conf. Comput. Access. ASSETS 2006, vol. 2006, pp. 253–254, 2006, doi:
10.1145/1168987.1169041.
[11] M. Zhang, C. Wang, Z. Yu, C. Shen, and J. Bu, “Active learning for web accessibility evaluation,” Proc. 14th
Web All Conf. W4A 2017, 2017, doi: 10.1145/3058555.3058559.
[12] S. Bahram, D. Sen, and R. S. Amant, “Prediction of Web page accessibility based on structural and textual
features,” W4A 2011 - Int. Cross-Disciplinary Conf. Web Access., pp. 5–8, 2011, doi:
10.1145/1969289.1969329.
[13] I. Hernández, C. R. Rivero, D. Ruiz, and R. Corchuelo, “A statistical approach to URL-based web page
clustering,” WWW’12 - Proc. 21st Annu. Conf. World Wide Web Companion, pp. 525–526, 2012, doi:
10.1145/2187980.2188109.
[14] M. Usama et al., “Unsupervised Machine Learning for Networking: Techniques, Applications and
Research Challenges,” IEEE Access, vol. 7, pp. 65579–65615, 2019, doi: 10.1109/ACCESS.2019.2916648.
[15] J. P. Bigham, “Increasing web accessibility by automatically judging alternative text quality,” Int. Conf.
Intell. User Interfaces, Proc. IUI, pp. 349–352, 2007, doi: 10.1145/1216295.1216364.
[16] P. Taylor, C. Fraley, and A. E. Raftery, “Journal of the American Statistical Association and Density
Estimation Model-Based Clustering, Discriminant Analysis, and Density Estimation,” no. May, pp. 37–41, 2012.
[17] T. Gowda and C. Mattmann, “Clustering web pages based on structure and style similarity,” Proc. - 2016
IEEE 17th Int. Conf. Inf. Reuse Integr. IRI 2016, pp. 175–180, 2016, doi: 10.1109/IRI.2016.30.
[18] J. Mucha, M. Snaprud, and A. Nietzio, “Web page clustering for more efficient website accessibility
evaluations,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics),
vol. 9758, pp. 259–266, 2016, doi: 10.1007/978-3-319-41264-1_35.
[19] M. D. Olvera Lobo, M. Aguilar Soto, and E. Ruíz de Osma, “Evaluación de sitios web de postgrados
biomédicos en España Evaluation of websites for biomedical,” vol. 24, no. 1, pp. 47–60, 2012.
[20] Servicio Ecuatoriano de Normalización (INEN), “Reglamento Técnico Ecuatoriano RTE INEN 288
‘Accesibilidad para el Contenido Web,’” pp. 1–6, 2016, [Online]. Available:
http://www.normalizacion.gob.ec/wp-content/uploads/downloads/2016/02/RTE-288.pdf.
105
Vol.4, Special Issue 2023, (pp. 97-105)
Zambrano F. et al. Métodos estadísticos de machine learning aplicados en el estudio de la accesibilidad web: una
revisión de la literatura
