Palabras clave
machine learning
unsupervised learning
statistics
Cómo citar
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.
Citas
[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.
[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 Empres., 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.
